Python 使用pandas實(shí)現(xiàn)查詢(xún)和統(tǒng)計(jì)示例詳解

更新時(shí)間：2023年08月20日 09:03:20 作者：全棧若城

這篇文章主要為大家介紹了Python 使用pandas實(shí)現(xiàn)查詢(xún)和統(tǒng)計(jì)示例詳解,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪

前言

在使用 Pandas 進(jìn)行數(shù)據(jù)分析時(shí)，我們需要經(jīng)常進(jìn)行查詢(xún)和統(tǒng)計(jì)分析。

但是Pandas 是如何進(jìn)行查詢(xún)和統(tǒng)計(jì)分析得嘞, let's go :

數(shù)據(jù)篩選查詢(xún)

通過(guò)列名索引篩選數(shù)據(jù)：

import pandas as pd

data = {'name': ['Tom', 'Jerry', 'Lucy', 'Amy'],
      'age': [18, 19, 20, 21],
      'gender': ['M', 'M', 'F', 'F']}
df = pd.DataFrame(data)
# 選取 'name' 屬性
df['name']
# 選取 'age' 和 'gender' 屬性
df[['age', 'gender']]

通過(guò)位置索引篩選數(shù)據(jù)：

# 通過(guò)位置索引選取第一行數(shù)據(jù)
df.iloc[0]
# 通過(guò)位置索引選取第一行和第二行數(shù)據(jù)
df.iloc[0:2]

通過(guò)布爾索引篩選數(shù)據(jù)：

# 選取年齡大于等于 20 的記錄
df[df['age'] &gt;= 20]
# 選取性別為女的記錄
df[df['gender'] == 'F']

數(shù)據(jù)統(tǒng)計(jì)分析

Pandas 提供豐富的統(tǒng)計(jì)函數(shù)，可以方便地進(jìn)行數(shù)據(jù)分析。

描述性統(tǒng)計(jì)分析：

# 統(tǒng)計(jì)數(shù)值型數(shù)據(jù)的基本描述性統(tǒng)計(jì)信息
df.describe()
# 統(tǒng)計(jì)各屬性的非空值數(shù)量
df.count()
# 統(tǒng)計(jì)各屬性的平均值
df.mean()
# 統(tǒng)計(jì)各屬性的方差
df.var()
# 統(tǒng)計(jì)各屬性的標(biāo)準(zhǔn)差
df.std()

分組統(tǒng)計(jì)分析：

# 按照性別分組，統(tǒng)計(jì)年齡均值
df.groupby('gender')['age'].mean()
# 按照性別和年齡分組，統(tǒng)計(jì)人數(shù)
df.groupby(['gender', 'age'])['name'].count()

交叉表分析：

# 構(gòu)造一個(gè)交叉表，統(tǒng)計(jì)不同性別和年齡的人數(shù)
pd.crosstab(df['gender'], df['age'])

數(shù)據(jù)排序

按照某列數(shù)據(jù)進(jìn)行升序排列：

df.sort_values(by='age')

按照某列數(shù)據(jù)進(jìn)行降序排列：

df.sort_values(by='age', ascending=False)

數(shù)據(jù)聚合

對(duì)整個(gè) DataFrame 進(jìn)行聚合操作：

# 聚合函數(shù)：求和、均值、中位數(shù)、最大值、最小值
df.aggregate([sum, 'mean', 'median', max, min])

對(duì)某列數(shù)據(jù)進(jìn)行聚合操作：

# 統(tǒng)計(jì)年齡平均值
df['age'].mean()
# 統(tǒng)計(jì)年齡總和
df['age'].sum()
# 統(tǒng)計(jì)年齡最大值
df['age'].max()

處理缺失數(shù)據(jù)

判斷數(shù)據(jù)是否為缺失值：

# 返回一個(gè)布爾型 DataFrame，表明各元素是否為缺失值
df.isnull()

刪除缺失值所在的行或列：

# 刪除所有含有缺失值的行
df.dropna()
# 刪除所有含有缺失值的列
df.dropna(axis=1)

用指定值填充缺失值：

# 將缺失值使用 0 填充
df.fillna(0)

數(shù)據(jù)去重

對(duì) DataFrame 去重：

# 根據(jù)所有列值的重復(fù)性進(jìn)行去重
df.drop_duplicates()
# 根據(jù)指定列值的重復(fù)性進(jìn)行去重
df.drop_duplicates(subset=['name', 'age'])

對(duì) Series 去重：

# 對(duì) 'name' 列進(jìn)行去重
df['name'].drop_duplicates()

數(shù)據(jù)合并

橫向（按列）合并 DataFrame：

# 創(chuàng)建一個(gè)新的 DataFrame
other_data = {'name': ['Tom', 'Jerry', 'Lucy', 'Amy'],
            'score': [80, 90, 85, 95]}
other_df = pd.DataFrame(other_data)
# 將兩個(gè) DataFrame 在列上合并
pd.concat([df, other_df], axis=1)

縱向（按行）合并 DataFrame：

# 創(chuàng)建一個(gè)新的 DataFrame
other_data = {'name': ['Kate', 'Jack'],
            'age': [19, 20],
            'gender': ['F', 'M']}
other_df = pd.DataFrame(other_data)
# 將兩個(gè) DataFrame 在行上合并
pd.concat([df, other_df], axis=0)

數(shù)據(jù)透視表

創(chuàng)建數(shù)據(jù)透視表：

# 統(tǒng)計(jì)不同性別和年齡的人數(shù)，以 'gender' 為行、'age' 為列，'name' 計(jì)數(shù)
pd.pivot_table(df, values='name', index='gender', columns='age', aggfunc='count')

以上就是Python 使用pandas實(shí)現(xiàn)查詢(xún)和統(tǒng)計(jì)示例詳解的詳細(xì)內(nèi)容，更多關(guān)于Python pandas查詢(xún)統(tǒng)計(jì)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: