【精华总结】全文4000字、20个案例详解Pandas当中的数据统计分析与排序

俊红的数据分析之路

共 5268字,需浏览 11分钟

 ·

2022-01-13 21:37

今天小编来给大家讲一下Pandas模块当中的数据统计与排序,说到具体的就是value_counts()方法以及sort_values()方法。
value_counts()方法,顾名思义,主要是用于计算各个类别出现的次数的,而sort_values()方法则是对数值来进行排序,当然除了这些,还有很多大家不知道的衍生的功能等待被挖掘,下面小编就带大家一个一个的说过去。

导入模块并且读取数据库

我们这次用到的数据集是“非常有名”的泰坦尼克号的数据集,该数据源能够在很多平台上都能够找得到
import pandas as pd
df = pd.read_csv("titanic_train.csv")
df.head()

output

常规的用法

首先我们来看一下常规的用法,代码如下

df['Embarked'].value_counts()

output

S    644
C    168
Q     77
Name: Embarked, dtype: int64

下面我们简单来介绍一下value_counts()方法当中的参数,

DataFrame.value_counts(subset=None,
                       normalize=False,
                       sort=True,
                       ascending=False,
                       dropna=True)
常用到参数的具体解释为:
  • subset: 表示根据什么字段或者索引来进行统计分析
  • normalize: 返回的是比例而不是频次
  • ascending: 降序还是升序来排
  • dropna: 是否需要包含有空值的行

对数值进行排序

上面返回的结果是按照从大到小来进行排序的,当然我们也可以反过来,从小到大来进行排序,代码如下
df['Embarked'].value_counts(ascending=True)

output

Q     77
C    168
S    644
Name: Embarked, dtype: int64

对索引的字母进行排序

同时我们也可以对索引,按照字母表的顺序来进行排序,代码如下

df['Embarked'].value_counts(ascending=True).sort_index(ascending=True)

output

C    168
Q     77
S    644
Name: Embarked, dtype: int64

当中的ascending=True指的是升序排序

包含对空值的统计

默认的是value_counts()方法不会对空值进行统计,那要是我们也希望对空值进行统计的话,就可以加上dropna参数,代码如下
df['Embarked'].value_counts(dropna=False)

output

S      644
C      168
Q       77
NaN      2
Name: Embarked, dtype: int64

百分比式的数据统计

我们可以将数值的统计转化成百分比式的统计,可以更加直观地看到每一个类别的占比,代码如下
df['Embarked'].value_counts(normalize=True)

output

S    0.724409
C    0.188976
Q    0.086614
Name: Embarked, dtype: float64
要是我们希望对能够在后面加上一个百分比的符号,则需要在Pandas中加以设置,对数据的展示加以设置,代码如下
pd.set_option('display.float_format''{:.2%}'.format)
df['Embarked'].value_counts(normalize = True)

output

S   72.44%
C   18.90%
Q    8.66%
Name: Embarked, dtype: float64

当然除此之外,我们还可以这么来做,代码如下

df['Embarked'].value_counts(normalize = True).to_frame().style.format('{:.2%}')

output

  Embarked
S 72.44%
C 18.90%
Q 8.66%

连续型数据分箱

Pandas模块当中的cut()方法相类似的在于,我们这里也可以将连续型数据进行分箱然后再来统计,代码如下
df['Fare'].value_counts(bins=3)

output

(-0.513, 170.776]     871
(170.776, 341.553]     17
(341.553, 512.329]      3
Name: Fare, dtype: int64
我们将Fare这一列同等份的分成3组然后再来进行统计,当然我们也可以自定义每一个分组的上限与下限,代码如下
df['Fare'].value_counts(bins=[-1, 20, 100, 550])

output

(-1.001, 20.0]    515
(20.0, 100.0]     323
(100.0, 550.0]     53
Name: Fare, dtype: int64

分组再统计

pandas模块当中的groupby()方法允许对数据集进行分组,它也可以和value_counts()方法联用更好地来进行统计分析,代码如下
df.groupby('Embarked')['Sex'].value_counts()

output

Embarked  Sex   
C         male       95
          female     73
Q         male       41
          female     36
S         male      441
          female    203
Name: Sex, dtype: int64
上面的代码是针对“Embarked”这一类别下的“Sex”特征进行分组,然后再进一步进行数据的统计分析,当然出来的结果是Series数据结构,要是我们想让Series的数据结果编程DataFrame数据结构,可以这么来做,
df.groupby('Embarked')['Sex'].value_counts().to_frame()

数据集的排序

下面我们来谈一下数据的排序,主要用到的是sort_values()方法,例如我们根据“年龄”这一列来进行排序,排序的方式为降序排,代码如下
df.sort_values("Age", ascending = False).head(10)

output

对行索引重新排序

我们看到排序过之后的DataFrame数据集行索引依然没有变,我们希望行索引依然可以是从0开始依次的递增,就可以这么来做,代码如下
df.sort_values("Age", ascending = False, ignore_index = True).head(10)

output

下面我们简单来介绍一下sort_values()方法当中的参数

DataFrame.sort_values(by, 
               axis=0, 
               ascending=True, 
               inplace=False, 
               kind='quicksort'
               na_position='last'# last,first;默认是last
               ignore_index=False, 
               key=None)
常用到参数的具体解释为:
  • by: 表示根据什么字段或者索引来进行排序,可以是一个或者是多个
  • axis: 是水平方向排序还是垂直方向排序,默认是垂直方向
  • ascending: 排序方式,是升序还是降序来排
  • inplace: 是生成新的DataFrame还是在原有的基础上进行修改
  • kind: 所用到的排序的算法,有快排quicksort或者是归并排序mergesort、堆排序heapsort等等
  • ignore_index: 是否对行索引进行重新的排序

对多个字段的排序

我们还可以对多个字段进行排序,代码如下

df.sort_values(["Age""Fare"], ascending = False).head(10)

output

同时我们也可以对不同的字段指定不同的排序方式,如下

df.sort_values(["Age""Fare"], ascending = [False, True]).head(10)

output

我们可以看到在“Age”一样的情况下,“Fare”字段是按照升序的顺序来排的

自定义排序

我们可以自定义一个函数方法,然后运用在sort_values()方法当中,让其按照自己写的方法来排序,我们看如下的这组数据
df = pd.DataFrame({
    'product': ['keyboard''mouse''desk''monitor''chair'],
    'category': ['C''C''O''C''O'],
    'year': [2002, 2002, 2005, 2001, 2003],
    'cost': ['$52''$24''$250''$500''$150'],
    'promotion_time': ['20hr''30hr''20hr''20hr''2hr'],
})

output

当中的“cost”这一列带有美元符号“$”,因此就会干扰排序的正常进行,我们使用lambda方法自定义一个函数方法运用在sort_value()当中
df.sort_values(
    'cost'
    key=lambda val: val.str.replace('$''').astype('float64')
)

output

当然我们还可以自定义一个更加复杂一点的函数,并且运用在sort_values()方法当中,代码如下
def sort_by_cost_time(x):
    if x.name == 'cost':
        return x.str.replace('$''').astype('float64')
    elif x.name == 'promotion_time':
        return x.str.replace('hr''').astype('int')
    else:
        return x
        
df.sort_values(
   ['year''promotion_time''cost'], 
   key=sort_by_cost_time
)

output

还有另外一种情况,例如我们遇到衣服的尺码,XS码、S码、M码、L码又或者是月份,JanFebMarApr等等,需要我们自己去定义大小,这个时候我们需要用到的是CategoricalDtype
cat_size_order = CategoricalDtype(
    ['XS''S''M''L''XL'], 
    ordered=True
)
cat_size_order

output

CategoricalDtype(categories=['XS''S''M''L''XL'], ordered=True)

于是针对下面的数据

df = pd.DataFrame({
    'cloth_id': [1001, 1002, 1003, 1004, 1005, 1006],
    'size': ['S''XL''M''XS''L''S'],
})

output

我们将事先定义好的顺序应用到该数据集当中,代码如下

df['size'] = df['size'].astype(cat_size_order)
df.sort_values('size')

output

先通过astype()来转换数据类型,然后再进行排序。

对比Excel系列图书累积销量达15w册,让你轻松掌握数据分析技能,感兴趣的同学可以直接在各大电商平台搜索书名了解:

浏览 8
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报