第九章 数据分组与聚合（下）

最新推荐文章于 2024-03-27 07:30:00 发布
最新推荐文章于 2024-03-27 07:30:00 发布
阅读量811 收藏 1
点赞数
文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yunini2/article/details/73799742
版权 



import pandas as pd
from pandas import Series
fec=pd.read_csv("e:/P00000001-ALL.csv")
fec[:2]
     cmte_id    cand_id             cand_nm        contbr_nm contbr_city  \
0  C00410118  P20002978  Bachmann, Michelle  HARVEY, WILLIAM      MOBILE   
1  C00410118  P20002978  Bachmann, Michelle  HARVEY, WILLIAM      MOBILE   

  contbr_st  contbr_zip contbr_employer contbr_occupation  contb_receipt_amt  \
0        AL  3.6601e+08         RETIRED           RETIRED              250.0   
1        AL  3.6601e+08         RETIRED           RETIRED               50.0   

  contb_receipt_dt receipt_desc memo_cd memo_text form_tp  file_num  
0        20-JUN-11          NaN     NaN       NaN   SA17A    736166  
1        23-JUN-11          N
fec.ix[123456]



unique_cands

cmte_id                             C00431445

cand_id                             P80003338

cand_nm                         Obama, Barack

contbr_nm                         ELLMAN, IRA

contbr_city                             TEMPE

contbr_st                                  AZ

contbr_zip                          852816719

contbr_employer      ARIZONA STATE UNIVERSITY

contbr_occupation                   PROFESSOR

contb_receipt_amt                          50

contb_receipt_dt                    01-DEC-11

receipt_desc                              NaN

memo_cd                                   NaN

memo_text                                 NaN

form_tp                                 SA17A

file_num                               772372

Name: 123456, dtype: object


unique_cands=fec.cand_nm.unique()

patries={'Bachmann, Michelle':'Republican','Cain, Herman':'Republican',
         'Gingrich, Newt':'Republican','Huntsman, Jon':'Republican',
         'Johnson, Gary Earl':'Republican','McCotter, Thaddeus G':'Republican',
         'Obama, Barack':'Democrat','Paul, Ron':'Republican',
         'Pawlenty, Timothy':'Republican','Perry, Rick':'Republican',
         "Roemer, Charles E. 'Buddy' III":'Republican',
         'Romney, Mitt':'Republican',
         'Santorum, Rick':'Republican'
         }



unique_cands[2]

'Obama, Barack'fec.cand_nm[123456:123461]

123456    Obama, Barack

123457    Obama, Barack

123458    Obama, Barack

123459    Obama, Barack

123460    Obama, Barack

Name: cand_nm, dtype: object

fec.cand_nm[123456:123461].map(patries)#通过这个映射以及Series对象的map方法，根据候选人姓名得到党派信息123456    Democrat

123457    Democrat

123458    Democrat

123459    Democrat

123460    Democrat

Name: cand_nm, dtype: object

#添加一个新列fec['party']=fec.cand_nm.map(patries)fec['party'].value_counts()

Democrat      593746

Republican    407985

Name: party, dtype: int64

#这里需要注意：该数字既包括赞助也包括退款（负的出资额），限定该数据集只能有正的出资额



fec=fec[fec.contb_receipt_amt>0]



#由于Barack Obama和Mitt Romney是最主要的两名候选人，建立一个子集只包含针对他们两人的竞选活动的赞助信息



fec_mrbo=fec[fec.cand_nm.isin(['Obama, Barack','Romney, Mitt'])]
















根据职业和雇主统计信息




#首先根据职业计算总出资额

fec.contbr_occupation.value_counts()[:10]
Out[30]: 
RETIRED                                   233990
INFORMATION REQUESTED                      35107
ATTORNEY                                   34286
HOMEMAKER                                  29931
PHYSICIAN                                  23432
INFORMATION REQUESTED PER BEST EFFORTS     21138
ENGINEER                                   14334
TEACHER                                    13990
CONSULTANT                                 13273
PROFESSOR                                  12555
Name: contbr_occupation, dtype: int64

#巧妙运用dict.get，允许没有映射关系的职业也能通过,处理职业信息
occ_mapping={
             'INFORMATION REQUESTED PER BEST EFFORTS':'NOT PROVIDED',
             'INFORMATION REQUESTED':'NOT PROVIDED',
             'INFORMATION REQUESTED(BEST EFFORTS)':'NOT PROVIDED',
             'C.E.O.':'CEO'
             }
#如果没有提供相关映射，则返回x
f=lambda x:occ_mapping.get(x,x)
fec.contbr_employer=fec.contbr_employer.map(f)

#通过pivot_table根据党派和职业对数据进行聚合，过滤掉总出资额不足200万美元的数据

by_occupation=fec.pivot_table('contb_receipt_amt',index='contbr_occupation',
                              columns='party',aggfunc='sum')

over_2mm=by_occupation[by_occupation.sum(1)>2000000]

over_2mm
Out[42]: 
party                                      Democrat    Republican
contbr_occupation                                                
ATTORNEY                                11141982.97  7.477194e+06
C.E.O.                                      1690.00  2.592983e+06
CEO                                      2073284.79  1.618057e+06
CONSULTANT                               2459912.71  2.544725e+06
ENGINEER                                  951525.55  1.818374e+06
EXECUTIVE                                1355161.05  4.138850e+06
HOMEMAKER                                4248875.80  1.363428e+07
INFORMATION REQUESTED                    4866973.96  3.896616e+06
INFORMATION REQUESTED PER BEST EFFORTS          NaN  1.634053e+07
INVESTOR                                  884133.00  2.431769e+06
LAWYER                                   3160478.87  3.912243e+05
MANAGER                                   762883.22  1.444532e+06
OWNER                                    1001567.36  2.408287e+06
PHYSICIAN                                3735124.94  3.594320e+06
PRESIDENT                                1878509.95  4.720924e+06
PROFESSOR                                2165071.08  2.967027e+05
REAL ESTATE                               528902.09  1.625902e+06
RETIRED                                 25305116.38  2.356124e+07
SELF-EMPLOYED                             672393.40  1.640253e+06
import matplotlib
%matplotlib inline
over_2mm.plot(kind='barh')













def get_top_amounts(group,key,n=5):
    totals=group.groupby(key)['contb_receipt_amt'].sum()

#    根据key对totals进行降序排列
    return totals.sort_values(ascending=False)[n:]
#根据职业和雇主进行聚合

grouped=fec_mrbo.groupby('cand_nm')

grouped.apply(get_top_amounts,'contbr_occupation',n=7)
Out[56]: 
cand_nm        contbr_occupation                     
Obama, Barack  PROFESSOR                                 2165071.08
               CEO                                       2073284.79
               PRESIDENT                                 1878509.95
               NOT EMPLOYED                              1709188.20
               EXECUTIVE                                 1355161.05
               TEACHER                                   1250969.15
               WRITER                                    1084188.88
               OWNER                                     1001567.36
               ENGINEER                                   951525.55
               INVESTOR                                   884133.00
               ARTIST                                     763125.00
               MANAGER                                    762883.22
               SELF-EMPLOYED                              672393.40
               STUDENT                                    628099.75
               REAL ESTATE                                528902.09
               CHAIRMAN                                   496547.00
               ARCHITECT                                  483859.89
               DIRECTOR                                   471741.73
               BUSINESS OWNER                             449979.30
               EDUCATOR                                   436600.89
               PSYCHOLOGIST                               427299.92
               SOFTWARE ENGINEER                          396985.65
               PARTNER                                    395759.50
               SALES                                      392886.91
               EXECUTIVE DIRECTOR                         348180.94
               MANAGING DIRECTOR                          329688.25
               SOCIAL WORKER                              326844.43
               VICE PRESIDENT                             325647.15
               ADMINISTRATOR                              323079.26
               SCIENTIST                                  319227.88
   
Romney, Mitt   NON-PROFIT VETERANS ORG. CHAIR/ANNUITA         10.00
               PARAPLANNER                                    10.00
               APPRAISAL                                      10.00
               SIGN CONTRACTOR                                10.00
               POLITICAL OPERATIVE                            10.00
               PORT MGT                                       10.00
               PRESIDENT EMERITUS                             10.00
               CONTRACTS SPECIALIST                            9.00
               TEACHER & FREE-LANCE JOURNALIST                 9.00
               FOUNDATION CONSULTANT                           6.00
               MAIL HANDLER                                    6.00
               TREASURER & DIRECTOR OF FINANCE                 6.00
               SECRETARY/BOOKKEPPER                            6.00
               ELAYNE WELLS HARMER                             6.00
               CHICKEN GRADER                                  5.00
               DIRECTOR REISCHAUER CENTER FOR EAST A           5.00
               SCOTT GREENBAUM                                 5.00
               EDUCATION ADMIN                                 5.00
               ENGINEER/RISK EXPERT                            5.00
               PLANNING AND OPERATIONS ANALYST                 5.00
               VILLA NOVA                                      5.00
               FINANCIAL INSTITUTION - CEO                     5.00
               HORTICULTURIST                                  5.00
               MD - UROLOGIST                                  5.00
               DISTRICT REPRESENTATIVE                         5.00
               INDEPENDENT PROFESSIONAL                        3.00
               REMODELER & SEMI RETIRED                        3.00
               AFFORDABLE REAL ESTATE DEVELOPER                3.00
               IFC CONTRACTING SOLUTIONS                       3.00
               3RD GENERATION FAMILY BUSINESS OWNER            3.00
Name: contb_receipt_amt, dtype: float64
grouped.apply(get_top_amounts,'contbr_occupation',n=10)
Out[57]: 
cand_nm        contbr_occupation                     
Obama, Barack  NOT EMPLOYED                              1709188.20
               EXECUTIVE                                 1355161.05
               TEACHER                                   1250969.15
               WRITER                                    1084188.88
               OWNER                                     1001567.36
               ENGINEER                                   951525.55
               INVESTOR                                   884133.00
               ARTIST                                     763125.00
               MANAGER                                    762883.22
               SELF-EMPLOYED                              672393.40
               STUDENT                                    628099.75
               REAL ESTATE                                528902.09
               CHAIRMAN                                   496547.00
               ARCHITECT                                  483859.89
               DIRECTOR                                   471741.73
               BUSINESS OWNER                             449979.30
               EDUCATOR                                   436600.89
               PSYCHOLOGIST                               427299.92
               SOFTWARE ENGINEER                          396985.65
               PARTNER                                    395759.50
               SALES                                      392886.91
               EXECUTIVE DIRECTOR                         348180.94
               MANAGING DIRECTOR                          329688.25
               SOCIAL WORKER                              326844.43
               VICE PRESIDENT                             325647.15
               ADMINISTRATOR                              323079.26
               SCIENTIST                                  319227.88
               VOLUNTEER                                  305233.64
               FINANCE                                    296031.40
               MARKETING                                  263610.68
   
Romney, Mitt   NON-PROFIT VETERANS ORG. CHAIR/ANNUITA         10.00
               PARAPLANNER                                    10.00
               APPRAISAL                                      10.00
               SIGN CONTRACTOR                                10.00
               POLITICAL OPERATIVE                            10.00
               PORT MGT                                       10.00
               PRESIDENT EMERITUS                             10.00
               CONTRACTS SPECIALIST                            9.00
               TEACHER & FREE-LANCE JOURNALIST                 9.00
               FOUNDATION CONSULTANT                           6.00
               MAIL HANDLER                                    6.00
               TREASURER & DIRECTOR OF FINANCE                 6.00
               SECRETARY/BOOKKEPPER                            6.00
               ELAYNE WELLS HARMER                             6.00
               CHICKEN GRADER                                  5.00
               DIRECTOR REISCHAUER CENTER FOR EAST A           5.00
               SCOTT GREENBAUM                                 5.00
               EDUCATION ADMIN                                 5.00
               ENGINEER/RISK EXPERT                            5.00
               PLANNING AND OPERATIONS ANALYST                 5.00
               VILLA NOVA                                      5.00
               FINANCIAL INSTITUTION - CEO                     5.00
               HORTICULTURIST                                  5.00
               MD - UROLOGIST                                  5.00
               DISTRICT REPRESENTATIVE                         5.00
               INDEPENDENT PROFESSIONAL                        3.00
               REMODELER & SEMI RETIRED                        3.00
               AFFORDABLE REAL ESTATE DEVELOPER                3.00
               IFC CONTRACTING SOLUTIONS                       3.00
               3RD GENERATION FAMILY BUSINESS OWNER            3.00
Name: contb_receipt_amt, dtype: float64
对出资额分组





import numpy as np
bins=np.array([0,1,10,100,1000,10000,100000,1000000,10000000])
labels=pd.cut(fec_mrbo.contb_receipt_amt,bins)
labels
411           (10, 100]
412         (100, 1000]
413         (100, 1000]
414           (10, 100]
415           (10, 100]
416           (10, 100]
417         (100, 1000]
418           (10, 100]
419         (100, 1000]
420           (10, 100]
421           (10, 100]
422         (100, 1000]
423         (100, 1000]
424         (100, 1000]
425         (100, 1000]
426         (100, 1000]
427       (1000, 10000]
428         (100, 1000]
429         (100, 1000]
430           (10, 100]
431       (1000, 10000]
432         (100, 1000]
433         (100, 1000]
434         (100, 1000]
435         (100, 1000]
436         (100, 1000]
437           (10, 100]
438         (100, 1000]
439         (100, 1000]
440           (10, 100]
     
701356        (10, 100]
701357          (1, 10]
701358        (10, 100]
701359        (10, 100]
701360        (10, 100]
701361        (10, 100]
701362      (100, 1000]
701363        (10, 100]
701364        (10, 100]
701365        (10, 100]
701366        (10, 100]
701367        (10, 100]
701368      (100, 1000]
701369        (10, 100]
701370        (10, 100]
701371        (10, 100]
701372        (10, 100]
701373        (10, 100]
701374        (10, 100]
701375        (10, 100]
701376    (1000, 10000]
701377        (10, 100]
701378        (10, 100]
701379      (100, 1000]
701380    (1000, 10000]
701381        (10, 100]
701382      (100, 1000]
701383          (1, 10]
701384        (10, 100]
701385      (100, 1000]
Name: contb_receipt_amt, dtype: category
Categories (8, object): [(0, 1] < (1, 10] < (10, 100] < (100, 1000] < (1000, 10000] < (10000, 100000] < (100000, 1000000] < (1000000, 10000000]]
#根据候选人姓名以及面元标签对数据进行分组
grouped=fec_mrbo.groupby(['cand_nm',labels])
grouped.size().unstack(0)
Out[67]: 
cand_nm              Obama, Barack  Romney, Mitt
contb_receipt_amt                               
(0, 1]                       493.0          77.0
(1, 10]                    40070.0        3681.0
(10, 100]                 372280.0       31853.0
(100, 1000]               153991.0       43357.0
(1000, 10000]              22284.0       26186.0
(10000, 100000]                2.0           1.0
(100000, 1000000]              3.0           NaN
(1000000, 10000000]            4.0           NaN
#对出资额求合并在面元内规格化，以便图形化显示两位候选人各种赞助额度
bucket_sums
Out[69]: 
cand_nm              Obama, Barack  Romney, Mitt
contb_receipt_amt                               
(0, 1]                      318.24         77.00
(1, 10]                  337267.62      29819.66
(10, 100]              20288981.41    1987783.76
(100, 1000]            54798531.46   22363381.69
(1000, 10000]          51753705.67   63942145.42
(10000, 100000]           59100.00      12700.00
(100000, 1000000]       1490683.08           NaN
(1000000, 10000000]     7148839.76           NaN

normed_sums=bucket_sums.div(bucket_sums.sum(axis=1),axis=0)
normed_sums
Out[71]: 
cand_nm              Obama, Barack  Romney, Mitt
contb_receipt_amt                               
(0, 1]                    0.805182      0.194818
(1, 10]                   0.918767      0.081233
(10, 100]                 0.910769      0.089231
(100, 1000]               0.710176      0.289824
(1000, 10000]             0.447326      0.552674
(10000, 100000]           0.823120      0.176880
(100000, 1000000]         1.000000           NaN
(1000000, 10000000]       1.000000           NaN
normed_sums[:-2].plot(kind='barh',stacked=True)













#根据州统计赞助信息

















































































                

        

        

    

  


    

      

        

            

              
                
                  豆乳_艾米
                
              
            

            

                关注
              
            

        

        

          
      

      









                



	

		

			

				
					
R语言数据分组、聚合：分组聚合操作实战（ Group & Summarize Data Action）

				
			

			

				

					statistics+insight+vista+power
				

				

					07-08
					
					86
					
				

			

		

		

			
				
R语言数据分组、聚合：分组聚合操作实战（ Group & Summarize Data Action）

			
		

	



                

              
                



	

		

			

				
					
python数据分析第九章案例_《利用Python进行数据分析》第9章 分组级运算和转换笔记...

				
			

			

				

					weixin_39768917的博客
				

				

					12-17
					
					347
					
				

			

		

		

			
				
分组级运算和转换聚合是分组运算的其中一种。它是数据转换的一个特例，它接受能够将一维数组简化为标量值的函数。接下来将介绍transform和apply方法，它们能够执行更多其他的分组运算。如果要为一个DataFrame添加一个用于存放各索引分组平均值的列。一个办法是先聚合再合并df=DataFrame({'key1':['a','a','b','b','a'],'key2':['one','two'...

			
		

	



                


  
              

                


	

		

			

				
					
数据分析--数据的分组和聚合

				
			

			

				

					weixin_55207753的博客
				

				

					05-17
					
					2573
					
				

			

		

		

			
				
一、数据分组

1.GroupBy简介

    GroupBy技术用于数据分组运算，类似于Excel的分类汇总（对于不同分类进行运算），其运算的核心模式为split-apply-combine，如下图所示，首先，数据及按照key（分组键）的方式分成小的数据片（split）；然后对每一个数据片进行操作，如分类求和（apply）最后将结果再组合起来形成新的数据及（combine）



利用GroupBy方法可以轻松地完成分组统计的任务。以消费数据集为例，通过性别分别计算消费平均值，如下图:



...

			
		

	





	

		

			

				
					
分组与聚合

				
			

			

				

					qq_46324053的博客
				

				

					02-07
					
					590
					
				

			

		

		

			
				
②对一个DataFrame使用apply()函数，并将自定义函数的名称传入apply()函数中。在pandas中，我们经常会使用apply()函数，将自定义的函数应用到一个DATAFrame上，对其每一行或每一列进行指定的操作，然后根据自定义的函数返回一个新的结果。③对每一个Series执行结果后，apply()函数会将结果整合在一起，并通过自定义函数里的return返回相应的值。分组后，就可以在各个分组里进行计算，产生新的值，最终，所有分组会联合为一个结果。第三步：使用聚合函数，把结果聚合起来。

			
		

	



		

			
		



	

		

			

				
					
数据的聚合与分组

				
			

			

				

					qq_61383190的博客
				

				

					05-17
					
					358
					
				

			

		

		

			
				
s

一.概念‘

分组：使用特定条件将元数据划分多个组

聚合：对每个分组中的数据执行某些操作，最后将计算结果进行整合

二.数据分组

拆分（split） 应用（apply） 合并（combine）

1.可以通过groupby方法


import pandas as pd
import numpy as np
from pandas import Series,DataFrame
data = pd.DataFrame({'key1':['one','two','two','one'],
     

			
		

	





	

		

			

				
					
数据聚合与分组操作

				
			

			

				

					qq_20966795的博客
				

				

					04-30
					
					459
					
				

			

		

		

			
				
GroupBy机制
import numpy as np
import pandas as pd

df = pd.DataFrame({'key1':['a','a','d','d','a'],
                  'key2':['one','two','one','two','one'],
                  'data1': np.random.randn(...

			
		

	





	

		

			

				
					
数据聚合与分组

				
			

			

				

					zk仔的博客
				

				

					01-19
					
					486
					
				

			

		

		

			
				
数据聚合与分组基本操作对分组进行迭代通过字典或Series进行分组
基本操作
np.random.seed(123)
df=pd.DataFrame({'key1':['a','a','b','b','a'],
  'key2':['one','two','one','two','one'],
  'data1':np.random.randn(5),
  'data2':np.random.ra...

			
		

	





	

		

			

				
					
第9章数据聚合与分组运算.xmind

				
			

			

				

					06-07
				

			

		

		

			
				
《利用python进行数据分析 》的第9章数据聚合与分组运算思维导图笔记

			
		

	





	

		

			

				
					
Python数据分析5-数据分组与聚合

				
			

			

				

					qq_45112156的博客
				

				

					09-22
					
					3728
					
				

			

		

		

			
				
数据的分组统计是数据分析工作中的重要环节。本节将讲解GroupBy的原理和使用方法；聚合函数的使用；富足运算中transform和apply方法的使用 ；通过pandas创建数据透视表的方法；最后通过一个综合示例。巩固数据分析统计的使用。

5.1数据分组

5.1.1GroupBy简介

    GroupBy技术用于数据分组运算，类似于Excel的分类汇总（对于不同分类进行运算），其运算的核心模式为split-apply-combine，如下图所示，首先，数据及按照key（分组键...

			
		

	





	

		

			

				
					
数据的聚合与分组运算

				
			

			

				

					m0_62364412的博客
				

				

					05-17
					
					2006
					
				

			

		

		

			
				
目录

一、分组与聚合的原理

二、groupby()方法拆分成组

三、数据集合

四、数据转换与应用

一、分组与聚合原理

(1)、


			
		

	





	

		

			

				
					
数据聚合与分组操作（数据分析）

				
			

			

				

					qq_42433311的博客
				

				

					03-25
					
					7402
					
				

			

		

		

			
				
第10章 数据聚合与分组操作

对数据集进行分类，并在每一组上应用一个聚合函数或转换函数，这通常是数据分析工作流中的一个重要部分。在载入、合并、准备数据集之后，你可能需要计算分组统计或者数据透视表用于报告或可视化的目的。pandas提供一个灵活的groupby接口，允许你以一种自然的方式对数据集进行切片、切块和总结。


在本章，你将学习如何：

·使用一个或多个键（以函数、数组或DataFrame列名的形式）将pandas对象拆分为多块

· 计算组汇总统计信息，如计数、...

			
		

	





	

		

			

				
					
pandas 数据聚合与分组运算

				
			

			

				

					WG18679的博客
				

				

					05-17
					
					1946
					
				

			

		

		

			
				
01 分组与聚合的原理
在Pandas中，分组是指使用特定的条件将原数据划分为多个组，聚合在这里指的是，对每个分组中的数据执行某些操作，最后将计算的结果进行整合。

分组与聚合的过程大概分为以下三步：

拆分：将数据集按照一些标准拆分为若干个组。
	应用：将某个函数或方法（内置和自定义均可）应用到每个分组。
	合并：将产生的新值整合到结果对象中。


02 通过groupby()方法将数据拆分成组

在Pandas中，可以通过groupby()方法将数据集按照某些标准划分成若干个组。

groupby(.

			
		

	





	

		

			

				
					
美国大选献金项目数据分析

					
最新发布

				
			

			

				

					与时俱进，一专多能。
				

				

					03-27
					
					927
					
				

			

		

		

			
				
加载数据
查看数据的基本信息
指定数据截取，将如下字段的数据进行提取，其他数据舍弃
cand_nm ：候选人姓名
contbr_nm ： 捐赠人姓名
contbr_st ：捐赠人所在州
contbr_employer ： 捐赠人所在公司
contbr_occupation ： 捐赠人职业
contb_receipt_amt ：捐赠数额（美元）
contb_receipt_dt ： 捐款的日期
对新数据进行总览,查看是否存在缺失数据
用统计学指标快速描述数值型属性的概要。
空值处理。

			
		

	





	

		

			

				
					
unity打开excel表格_Unity读取Excel文件（附源代码）

				
			

			

				

					weixin_36315943的博客
				

				

					12-29
					
					956
					
				

			

		

		

			
				
今天想弄个Unity读取Excel的功能的，发现网上有许多方法，采用其中一种方法：加入库文件 Excel.dll 和ICSharpCode.SharpZipLib.dll库文件，(还有System.Data.dll也要拷贝进来，在Unity安装路径C:\Program Files\Unity\Editor\Data\Mono\lib\mono\unity中)，代码下载链接在最后。使用时要注意199...

			
		

	





	

		

			

				
					
python实验数据分析案例_python数据分析案例（五）

				
			

			

				

					weixin_39570777的博客
				

				

					12-29
					
					860
					
				

			

		

		

			
				
密码：ct86第一部分step1import pandas as pdfec=pd.read_csv(r'C:\Users\Administrator\Downloads\pydata-book-2nd-edition\datasets\fec\P00000001-ALL.csv')#加载csv数据step2cand_nms=fec['cand_nm'].unique()cand_nmsarray...

			
		

	





	

		

			

				
					
python数据聚合分组实战-----2012联邦选举委员会数据库

					
热门推荐

				
			

			

				

					洪源的博客
				

				

					10-20
					
					1万+
					
				

			

		

		

			
				
目录

数据来源：

根据职业和雇主统计赞助信息

对出资额分组

根据州统计赞助信息

数据来源：

https://github.com/wesm/pydata-book


&gt;&gt;&gt; fec = pd.read_csv('D:\python\DataAnalysis\data\P00000001-ALL.csv',low_memory = False)
&gt;&gt;&gt...

			
		

	





	

		

			

				
					
利用Python进行数据分析第二版复现（十三）_5

				
			

			

				

					ztzxx的博客
				

				

					02-12
					
					435
					
				

			

		

		

			
				
实例分析
14.5 2012联邦选举委员会数据库
import pandas as pd
import numpy as np

fec = pd.read_csv('datasets/fec/P00000001-ALL.csv')#导入数据
fec.info()#查看信息的相关数据描述

E:\anaconda\lib\site-packages\IPython\core\interactive...

			
		

	





	

		

			

				
					
github搜找文件的技巧

				
			

			

				

					weixin_43256057的博客
				

				

					10-07
					
					1567
					
				

			

		

		

			
				
1，在正确的路径下：https://github.com/wesm/pydata-book，点击Code的界面，按 t 键（不分大小写，Code以外的界面无法这样做），输入P00000001-ALL.csv 后回车就可自动进入https://github.com/wesm/pydata-book/blob/2nd-edition/datasets/fec/P00000001-ALL.csv

...

			
		

	





	

		

			

				
					
数据处理与汇总技巧：第5章精华解析

				
			

			

				

					
				

			

		

		

			
				
资源摘要信息:"第5章：数据处理与汇总"  在数据分析与处理领域，数据处理与汇总是核心环节，涉及数据清洗、数据转换、数据聚合等一系列操作。本章将对数据处理与汇总的方法和工具进行详细探讨，帮助读者掌握高效处理...

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值