Pandas的26个统计汇总函数实战案例。

今天为大家讲述Pandas统计汇总函数中的26个函数。

注明： 由于实际问题中，表格数据每一行代表一个样本，每一列代表一个字段，一般情况下对行操作的意义不大，主要是对每个不同列进行操作。因此，下面我们仅讲述对列的操作。

为了讲述这些函数，我们先构造一些数据源，方便我们用于操作。

import numpy as np
import pandas as pd

data = [[1, 2, np.nan], [2, np.nan, 3], [7, 8, 9], [3, 4, 5]]
date_range = pd.date_range(start="20180701", periods=4)
df1 = pd.DataFrame(data=data, index=date_range,
                   columns=['a', 'b', 'c'])
df1

df2 = pd.DataFrame({'Q':['LI','ZHANG','ZHANG','LI','WANG'], 
                   'A' : [1,1,1,2,2], 
                   'B' : [1,-1,0,1,2], 
                   'C' : [3,4,5,6,7]})
df2

df3 = pd.DataFrame({"id":[f"00{i}" for i in range(1,8)],
                   "score":[2,3,4,5,6,7,8]})
df3

df4 = pd.DataFrame({"姓名":["张三","李四","王五","赵六","沈七"],
                    "语文":[85,85,85,95,90],
                    "数学":[90,65,75,80,55],
                    "外语":[55,50,40,55,40]})
df4

1. max和min

min()：计算最小值；max()：计算最大值；

2. sum

sum()：求和；

3. mean

mean()：求均值；

4. count

count()：计数（统计非缺失元素的个数）；

5. size

size：计数（统计所有元素的个数）；

6. median

median()：计算中位数；

7. var

var()：计算方差；

8. std

std()：计算标准差；

9. quantile

quantile()：计算任意分位数；

10. mode

mode()：计算众数；

11. describe

describe()：描述性统计（一次性返回多个统计结果）；

12. groupby、aggregate

groupby()：分组；aggregate()：聚合运算（可以自定义统计函数）；

上面已经很清楚为大家展示了，分组后的数据形式。其实一旦使用groupby后，系统会自动为你分组，然后我们就可以分别对分组后的数据，进行操作，比如下面这个案例。

13. argmin、argmax

argmin()：寻找最小值所在位置；argmax()：寻找最大值所在位置；

注意：这两个函数，用于函数删选，很有用。

14. any、all

any()：返回是否所有元素都为真；all()：返回是否至少一个元素为真；

上述代码的意思：判断班级各科成绩是否都在60分以上。

15. value_counts

value_counts()：频次统计；

16. cumsum、cumprod

cumsum()：运算累计和；cumprod()：运算累计积；

17. pct_change

pct_change()：运算比率（后一个元素与前一个元素的比率）；

运算规律是：(后一个值 - 前一个值) / 前一个值；

点分享

点收藏

点点赞

点在看