嘉兴高端网站建设找事做网站怎么弄

当前位置： 首页 > news >正文

嘉兴高端网站建设,找事做网站怎么弄,丰顺最新新闻今天,区块链开发需要什么技术文章目录 1.Pandas的map映射#xff08;1#xff09;映射#xff08;2#xff09;map充当运算工具 2.数据分组和透视#xff08;1#xff09;分组统计 - groupby功能 是pandas最重要的功能#xff08;2#xff09;聚合agg 3.透视表pivot_table#xff08;1#xff09… 文章目录 1.Pandas的map映射1映射2map充当运算工具 2.数据分组和透视1分组统计 - groupby功能 是pandas最重要的功能2聚合agg 3.透视表pivot_table1参数2根据胜负字段进行数据的分组,然后对每组数据进行均值计算3根据主客场字段进行数据分类后对分类后的得分字段求最大值、篮板字段求均值和助攻字段求累加和操作3#获取所有队主客场的总得分4查看主客场下的总得分都是哪些具体球队的得分构成的5#查看主客场下的总得分都是哪些具体球队的得分构成的对于空值用0填充6多条件分类汇总操作 1.Pandas的map映射 1映射 映射就是指给一组数据中的每一个元素绑定一个固定的数据 给Series中的一组数据提供另外一种表现方式或者说给其绑定一组指定的标签或字符串 案例1 创建一个df两列分别是姓名和薪资。然后给其名字起对应的英文名然后将英文的性别统一转换为中文的性别 data pd.DataFrame({“name”:[“tom”,“jeery”,“Alex”,“Jason”],“salary”:[10000,20000,15000,25000],“gender”:[“male”,“female”,“male”,“female”]}) data
做映射 dic { “male”:“男”, “female”:“女” } map可以将gender这组数据中的每个元素根据dic表示的关系进行映射转换
data[“性别”] data[“gender”].map(dic) data
案例2 将文本中的名字映射出英文名字 首先根据本地文件创建个df
#给每个人起一个英文名将其作为表格中新的一列存在 dic { ‘张三’:‘Tom’, ‘李四’:‘Jerry’, ‘王五’:‘Jay’ }#映射关系表 df[‘ename’] df[‘name’].map(dic) df 2map充当运算工具 #将每一个人的税后薪资进行计算:超过5000部分的钱需要缴纳25%的税 def after_sal(s): #参数s就依次表示每一个人的薪资数据 return s - (s-5000)*0.25 data[‘after_sal’] data[‘salary’].map(after_sal) data
总结map传入的参数是个字典是做映射的。传入的是个函数名是做运算用的 可以用匿名函数 #匿名函数写法 data[‘after_sal’] data[‘salary’].map(lambda s: s - (s-5000)*0.25) data
当然也可以用apply新版的没有axis参数了 apply运算效率远远高于map在数据数量级比较大的时候经常用apply
data[“after_sal”]data[“salary”].apply(lambda x: x - (x - 5000)*0.25) data
案例3 将每个人的入职日期加两年目前入职日期是字符串类型数据 data pd.DataFrame({“name”:[“tom”,“jeery”,“Alex”,“Jason”],“salary”:[10000,20000,15000,25000],“gender”:[“male”,“female”,“male”,“female”],“hiredate”:[“2020-10-10”,“2012–9-12”,“2021–4-23”,“2022-05-16”]}) data
我们用apply来做 获取入职日期根据- 做切分得到年份加2 def get_date(x): year,month,day x.split(“-”) year int(year)2 return str(year)“-”month“-”day data[‘hiredate’] data[‘hiredate’].apply(get_date) data
用map也可以 def get_date(x): year,month,day x.split(“-”) year int(year)2 return str(year)“-”month“-”day data[‘hiredate’] data[‘hiredate’].map(get_date) data
2.数据分组和透视 分组与聚合通常是分析数据的一种方式通常与一些统计函数一起使用查看数据的分组情况 数据分类处理的核心 groupby()函数 groups属性查看分组情况 1分组统计 - groupby功能 是pandas最重要的功能 ① 根据某些条件将数据拆分成组 ② 对每个组独立应用函数 ③ 将结果合并到一个数据结构中 Dataframe在行axis0或列axis1上进行分组将一个函数应用到各个分组并产生一个新值然后函数执行结果被合并到最终的结果对象中。 df.groupby(byNone, axis0, levelNone, as_indexTrue, sortTrue, group_keysTrue, squeezeFalse, **kwargs) api 学习要善于掌握规律你不管学什么函数都要先学习其功能参数返回值都是啥。这样才能比较清晰的运用
参数详解 by参数用于指定要进行分组的列名可以是一个列名或者多个列名的列表 axis参数用于指定分组方向0表示行方向1表示列方向 level参数用于指定分组级别 as_index参数用于指定分组后的结果是否作为DataFrame的索引 sort参数用于指定分组结果是否按照分组列进行排序 group_keys参数用于指定分组后是否保留分组键 squeeze参数用于指定是否移除单元素的分组 observed参数用于指定是否观察数据的层次结构 import pandas as pd #加载数据 df pd.read_csv(‘fruits.csv’).drop(columns‘Unnamed: 0’) df
#想根据不同水果种类对数据进行分组 df.groupby(by‘item’).groups #使用groupby分组后调用groups查看分组的结果 Apple是 第0行和第5行。Banada 是第1行和第3行。Orange是第2行和第4行
#计算不同水果的平均价格 df.groupby(by‘item’)[‘price’] #单独取出每组数据的价格数据 mean_price df.groupby(by‘item’)[‘price’].mean() #求均值 mean_price to_dict() 可以将dataframe转换为dict mean_price.to_dict()
#将每种水果的平均价格汇总到原始表格中 现在无法直接将平均价格series数据直接插入到原始数据因为数据结构不一样 此时就可以用到我们之前学的map dic { ‘Apple’:3.00, ‘Banana’:2.75, ‘Orange’:3.50 } #dic mean_price.to_dict() df[‘mean_price’] df[‘item’].map(dic) df
#计算不同颜色水果的最大重量 color_max_weight df.groupby(by‘color’)[‘weight’].max() color_max_weight 将不同颜色水果的最大重量也汇总到原始数据中 df[‘max_weight’] df[‘color’].map(color_max_weight.to_dict()) df 使用groupby分组后也可以使用功能transform和apply提供自定义函数实现更多运算 apply和transform的区别 transform返回的结果是经过映射后的结果 apply返回的是没经过映射的结果 案例 计算每种水果最大价格和最低价格的差值 def func(x): # 此时的x是每种水果的所有价格 return x.max()-x.min() df [‘price_cha’] df.groupby(by“item”)[‘price’].transform(func) df
此时用apply就得不到值
apply得到的值是 #计算每种水果最大价格和最低价格的差值 def func(x): # 此时的x是每种水果的所有价格 return x.max()-x.min() df.groupby(by‘item’)[‘price’].apply(func) 能得到结果但是没经过映射没法直接添加到原始数据。还需要转化成字典使用map才能映射
#计算每种水果最大价格和最低价格的差值 def func(x): # 此时的x是每种水果的所有价格 return x.max()-x.min() dic df.groupby(by‘item’)[‘price’].apply(func).to_dict() df[‘price_cha’] df[‘item’].map(dic) df
2聚合agg 对分组后的结果进行多种不同形式的聚合操作 #求每种水果的平均价格和最高价格、最低价格 df.groupby(by‘item’)[‘price’].agg([‘mean’,‘max’,‘min’])
3.透视表pivot_table 透视表是一种可以对数据动态排布并且分类汇总的表格格式。 或许大多数人都在Excel使用过数据透视表也体会到它的强大功能而在pandas中它被称作pivot_table。
1参数 values:被计算的数据项设定需要被聚合操作的列需要显示的列 对哪个值进行计算 index:每个pivot_table必须拥有一个index,必选参数设定数据的行索引可以设置多层索引多次索引时按照需求确定索引顺序。 根据什么分类 columns:必选参数设定列索引用来显示字符型数据和fill_value搭配使用。 aggfunc:聚合函数 pivot_table后新dataframe的值都会通过aggfunc进行运算。默认numpy.mean求平均。 fill_values:填充NA值设定缺省值。默认不填充可以指定。 margins添加行列的总计默认FALSE不显示。TRUE显示。 dropna如果整行都为NA值则进行丢弃默认TRUE丢弃。FALSE时被保留。 margins_namemargins True 时设定margins 行/列的名称。‘all’ 默认值 #加载数据 df pd.read_csv(‘透视表-篮球赛.csv’) df.head(3)
#根据对手分类计算每个球队的平均分 新版的不能对字符串的列进行计算
必须指定数字的列 df.pivot_table(index‘对手’,values‘得分’,aggfunc‘mean’) #aggfunc默认是mean求平均
2根据胜负字段进行数据的分组,然后对每组数据进行均值计算 df.pivot_table(index‘对手’,values[‘命中’,‘投篮数’,‘投篮命中率’,‘3分命中率’,‘篮板’,‘助攻’,‘得分’])
默认aggfunc只能举个一个参数要想聚合多个参数使用字典 。values这个字段就不要了 3根据主客场字段进行数据分类后对分类后的得分字段求最大值、篮板字段求均值和助攻字段求累加和操作 df.pivot_table(index‘主客场’,aggfunc{‘得分’:‘max’,‘篮板’:‘mean’,‘助攻’:‘sum’}) 3#获取所有队主客场的总得分 df.pivot_table(index‘主客场’,values‘得分’,aggfunc‘sum’) 4查看主客场下的总得分都是哪些具体球队的得分构成的 df.pivot_table(index‘主客场’,values‘得分’,aggfunc‘sum’,columns‘对手’)
5#查看主客场下的总得分都是哪些具体球队的得分构成的对于空值用0填充 df.pivot_table(index‘主客场’,values‘得分’,aggfunc‘sum’,columns‘对手’,fill_value0)
6多条件分类汇总操作 df.pivot_table(index[‘主客场’,‘对手’],values‘得分’,aggfunc‘sum’)