python对表格中的数据求和 python series求和

文章目录

• Pandas数值计算

• 简单的数值计算
• 二元统计

• 对象操作

• Series的增删改查
• DataFrame的增删改查

Pandas数值计算

简单的数值计算

• 构建一个DataFrame成绩表

import pandas as pd
df = pd.DataFrame([[90,98,95],[92,96,93]],index = ['小明','小刚'],columns = ['语文','数学','英语'])
df

• 求和sum()函数

#按列求和（sum默认axis=0）
df.sum()
df.sum(axis=0)
#按行求和
df.sum(axis=0)
df.sum(axis = 'columns')

• 最大最小值，均值等

#最大值，最小值
df.min()
df.max()
#平均值
df.mean()
df.mean(axis=1)
#中位数
df.median()

二元统计

• 统计特征与特征之间的关系
• 统计Titanic.csv文件的协方差

#读取数据
df = pd.read_csv('./data/titanic.csv')
df.head()

• 统计协方差

df.cov()

• 统计特征系数

df.corr()

• 根据列的值统计个数（默认降序）

#截图为部分数据
df['Age'].value_counts()
#升序
df['Age'].value_counts(ascending = True)
#分组
df['Age'].value_counts(ascending = True,bins = 5)

• 统计一列中不为0的个数

df['Pclass'].count()
#输出
891

对象操作

Series的增删改查

• 构建一个Series结构

#构建Series结构，对其进行增删改查操作
import pandas as pd
data = [1,2,3]
index = ['a','b','c']
s = pd.Series(data = data,index = index)

• 查询操作

s[0]
#输出
1
s[0:2]
#输出
a    1
c    3
dtype: int64
s.loc['b']
#输出
2
s.iloc[2]
#输出
3
#布尔类型
mask=[True,False,True]
s[mask]
#输出
a    1
c    3
dtype: int64

• 修改操作

#使用copy函数
s_new = s.copy()
s_new['a'] = 10
s_new
#输出
a    10
b     2
c     3
dtype: int64

#使用replace函数
#直接打印
s_new.replace(to_replace = 10,value = 11,inplace = False)
#赋值之后打印
s_new.replace(to_replace = 10,value = 11,inplace = True)
s_new
#输出
a    11
b     2
c     3
dtype: int64

#修改索引
#打印索引
s_new.index
#输出
Index(['a', 'b', 'c'], dtype='object')

#修改全部索引
s_new.index = ['c','b','a']
s_new
#输出
c    11
b     2
a     3
dtype: int64

#rename函数修改一个索引
s_new.rename(index = {'c':'C'},inplace = True)
s_new
#输出
C    11
b     2
a     3
dtype: int64

• 增加操作

#构建新的series
data = [100,110]
index = ['x','y']
s0 = pd.Series(data = data,index = index)
s0
#输出
x    100
y    110
dtype: int64

#将s0添加到之前的s_new中
s1 = s_new.append(s0)
s1
#输出
C     11
b      2
a      3
x    100
y    110
dtype: int64

#增加一个索引和值（与numpy操作基本相同）
s1['z'] = 200
s1
#输出
C     11
b      2
a      3
x    100
y    110
z    200
dtype: int64

#是否保留原来索引？
s1 = s_new.append(s0,ignore_index=False)
s1 = s_new.append(s0,ignore_index=True)

• 删除操作

#del函数删除
del s1['C']
s1
#输出
b      2
a      3
x    100
y    110
z    200
dtype: int64

#drop批量删除
s1.drop(['b','a'],inplace = True)
s1
#输出
x    100
y    110
z    200
dtype: int64

DataFrame的增删改查

• 构建DataFrame结构

data = [[1,2,3],[4,5,6]]
index = ['a','b']
columns = ['A','B','C']

df = pd.DataFrame(data=data,index=index,columns = columns)
df

• 查询操作

df['A']
#输出
a    1
b    4
Name: A, dtype: int64
df.iloc[0]
#输出
A    1
B    2
C    3
Name: a, dtype: int64
df.loc['a']
#输出
A    1
B    2
C    3
Name: a, dtype: int64

• 修改操作

df.loc['a']['A']
#输出
1
#修改定位到的数据值
df.loc['a']['A'] = 10
df
#修改索引值
df.index = ['x','y']
df

• 增加操作

#增加一行
df.loc['z'] = [7,8,9]
df

#重新构建一个DataFrame。使用concat函数添加（默认为行添加）
data = [[1,2,3],[4,5,6]]
index = ['i','j']
columns = ['A','B','C']

df_new = pd.DataFrame(data=data,index=index,columns = columns)
df_new

df1 = pd.concat([df,df_new],axis = 0)
df1

#添加一列
df_new['D'] = [10,11]
df_new

#构建一个新的DataFrame，使用concat进行列添加。
df3 = pd.concat([df_new,df2],axis = 1)
df3

• 删除操作

#删除一行
df3.drop(['j'],axis=0,inplace = True)
df3

#删除一列
del df3['D']

#删除多列
df3.drop(['A','B','C'],axis = 1,inplace = True)
df3

本博客所有实验环境参照Anaconda3 jupyter notebook