python数据分析pandas基础
from pandas import Series,DataFrame import pandas as pd
In [4]: obj = Series([1, -2, 3, -4]) obj
Out[4]: 0 1 1 -2 2 3 3 -4 dtype: int64
In [5]: obj2 = Series([1, -2, 3, -4], index=[＂a＂, ＂b＂, ＂c＂, ＂d＂]) obj2
Out[5]: a 1 b -2 c 3 d -4 dtype: int64
In [6]: obj2.values
Out[6]: array([ 1, -2, 3, -4], dtype=int64)
In [7]: obj2.index
Out[7]: Index([＂a＂, ＂b＂, ＂c＂, ＂d＂], dtype=＂object＂)
In [8]: obj2[＂b＂]
Out[8]: -2
In [10]: obj2[＂c＂] = 23 obj2[[＂c＂, ＂d＂]]
Out[10]: c 23 d -4 dtype: int64
In [11]: obj2
Out[11]: a 1 b -2 c 23 d -4 dtype: int64
In [12]: obj2[obj2 < 0 ]
Out[12]: b -2 d -4 dtype: int64
In [13]: obj2 * 2
Out[13]: a 2 b -4 c 46 d -8 dtype: int64
In [16]: import numpy as np
In [18]: np.abs(obj2)
Out[18]: a 1 b 2 c 23 d 4 dtype: int64
In [20]: data = { ＂张三＂:92, ＂李四＂:78, ＂王五＂:68, ＂小明＂:82 }
In [21]: obj3 = Series(data) obj3
Out[21]: 小明 82 张三 92 李四 78 王五 68 dtype: int64
In [22]: names = [＂张三＂, ＂李四＂, ＂王五＂, ＂小明＂] obj4 = Series(data, index=names) obj4
Out[22]: 张三 92 李四 78 王五 68 小明 82 dtype: int64
In [23]: obj4.name = ＂math＂ obj4.index.name = ＂students＂
In [24]: obj4
Out[24]: students 张三 92 李四 78 王五 68 小明 82 Name: math, dtype: int64dataframe
In [1]: import numpy as np from pandas import Series,DataFrame import pandas as pd
In [2]: data = { ＂name＂:[＂张三＂, ＂李四＂, ＂王五＂, ＂小明＂], ＂sex＂:[＂female＂, ＂female＂, ＂male＂, ＂male＂], ＂year＂:[2001, 2001, 2003, 2002], ＂city＂:[＂北京＂, ＂上海＂, ＂广州＂, ＂北京＂] } df = DataFrame(data) df
Out[2]:
city
name
sex
year
0
北京
张三
female
2001
1
上海
李四
female
2001
2
广州
王五
male
2003
3
北京
小明
male
2002
In [3]: df = DataFrame(data, columns=[＂name＂, ＂sex＂, ＂year＂, ＂city＂]) df
Out[3]:
name
sex
year
city
0
张三
female
2001
北京
1
李四
female
2001
上海
2
王五
male
2003
广州
3
小明
male
2002
北京
In [4]: df = DataFrame(data, columns=[＂name＂, ＂sex＂, ＂year＂, ＂city＂],index=[＂a＂, ＂b＂, ＂c＂, ＂d＂]) df
Out[4]:
name
sex
year
city
a
张三
female
2001
北京
b
李四
female
2001
上海
c
王五
male
2003
广州
d
小明
male
2002
北京
In [5]: df.index
Out[5]: Index([＂a＂, ＂b＂, ＂c＂, ＂d＂], dtype=＂object＂)
In [6]: df.columns
Out[6]: Index([＂name＂, ＂sex＂, ＂year＂, ＂city＂], dtype=＂object＂)
In [7]: data2 = { ＂sex＂:{＂张三＂:＂female＂,＂李四＂:＂female＂,＂王五＂:＂male＂}, ＂city＂:{＂张三＂:＂北京＂,＂李四＂:＂上海＂,＂王五＂:＂广州＂} } df2 = DataFrame(data2) df2
Out[7]:
city
sex
张三
北京
female
李四
上海
female
王五
广州
male
In [8]: df.index.name = ＂id＂ df.columns.name = ＂std_info＂
In [9]: df
Out[9]:
std_info
name
sex
year
city
id
a
张三
female
2001
北京
b
李四
female
2001
上海
c
王五
male
2003
广州
d
小明
male
2002
北京
In [10]: obj = Series([1, -2, 3, -4], index=[＂a＂, ＂b＂, ＂c＂, ＂d＂]) obj
Out[10]: a 1 b -2 c 3 d -4 dtype: int64
In [11]: obj.index
Out[11]: Index([＂a＂, ＂b＂, ＂c＂, ＂d＂], dtype=＂object＂)
In [12]: df.index
Out[12]: Index([＂a＂, ＂b＂, ＂c＂, ＂d＂], dtype=＂object＂, name=＂id＂)
In [13]: df.columns
Out[13]: Index([＂name＂, ＂sex＂, ＂year＂, ＂city＂], dtype=＂object＂, name=＂std_info＂)
In [14]: index = obj.index index[1] = ＂f＂ --------------------------------------------------------------------------- TypeError Traceback (most recent call last) in () 1 index = obj.index ----> 2 index[1] = ＂f＂ F:Anacondaenvsdata-analysislibsite-packagespandascoreindexesbase.py in __setitem__(self, key, value) 1668 1669 def __setitem__(self, key, value): -> 1670 raise TypeError(＂Index does not support mutable operations＂) 1671 1672 def __getitem__(self, key): TypeError: Index does not support mutable operations
In [15]: df
Out[15]:
std_info
name
sex
year
city
id
a
张三
female
2001
北京
b
李四
female
2001
上海
c
王五
male
2003
广州
d
小明
male
2002
北京
In [16]: ＂sex＂ in df.columns
Out[16]: True
In [17]: ＂f＂ in df.index
Out[17]: False
In [20]: obj = Series([1, -2, 3, -4], index=[＂b＂, ＂a＂, ＂c＂, ＂d＂]) obj
Out[20]: b 1 a -2 c 3 d -4 dtype: int64
In [21]: obj2 = obj.reindex([＂a＂, ＂b＂, ＂c＂, ＂d＂, ＂e＂]) obj2
Out[21]: a -2.0 b 1.0 c 3.0 d -4.0 e NaN dtype: float64
In [27]: obj = Series([1, -2, 3, -4], index=[0,2,3,5]) obj
Out[27]: 0 1 2 -2 3 3 5 -4 dtype: int64
In [28]: obj2 = obj.reindex(range(6),method=＂ffill＂) obj2
Out[28]: 0 1 1 1 2 -2 3 3 4 3 5 -4 dtype: int64
In [29]: df = DataFrame(np.arange(9).reshape(3,3),index=[＂a＂,＂c＂,＂d＂],columns=[＂name＂,＂id＂,＂sex＂]) df
Out[29]:
name
id
sex
a
0
1
2
c
3
4
5
d
6
7
8
In [30]: df2 = df.reindex([＂a＂, ＂b＂, ＂c＂, ＂d＂]) df2
Out[30]:
name
id
sex
a
0.0
1.0
2.0
b
NaN
NaN
NaN
c
3.0
4.0
5.0
d
6.0
7.0
8.0
In [31]: df3 = df.reindex(columns=[＂name＂, ＂year＂, ＂id＂], fill_value=0) df3
Out[31]:
name
year
id
a
0
0
1
c
3
0
4
d
6
0
7
In [49]: data = { ＂name＂:[＂张三＂, ＂李四＂, ＂王五＂, ＂小明＂], ＂grade＂:[68, 78, 63, 92] } df = DataFrame(data) df
Out[49]:
grade
name
0
68
张三
1
78
李四
2
63
王五
3
92
小明
In [50]: df2 = df.sort_values(by=＂grade＂) df2
Out[50]:
grade
name
2
63
王五
0
68
张三
1
78
李四
3
92
小明
In [51]: df3 = df2.reset_index() df3
Out[51]:
index
grade
name
0
2
63
王五
1
0
68
张三
2
1
78
李四
3
3
92
小明
In [52]: df4 = df2.reset_index(drop=True) df4
Out[52]:
grade
name
0
63
王五
1
68
张三
2
78
李四
3
92
小明
In [45]: data = { ＂name＂:[＂张三＂, ＂李四＂, ＂王五＂, ＂小明＂], ＂sex＂:[＂female＂, ＂female＂, ＂male＂, ＂male＂], ＂year＂:[2001, 2001, 2003, 2002], ＂city＂:[＂北京＂, ＂上海＂, ＂广州＂, ＂北京＂] } df = DataFrame(data) df
Out[45]:
city
name
sex
year
0
北京
张三
female
2001
1
上海
李四
female
2001
2
广州
王五
male
2003
3
北京
小明
male
2002
In [47]: df2 = df.set_index(＂name＂) df2
Out[47]:
city
sex
year
name
张三
北京
female
2001
李四
上海
female
2001
王五
广州
male
2003
小明
北京
male
2002
In [48]: df3 = df2.reset_index() df3
Out[48]:
name
city
sex
year
0
张三
北京
female
2001
1
李四
上海
female
2001
2
王五
广州
male
2003
3
小明
北京
male
2002 索引和选取
In [1]: import numpy as np from pandas import Series,DataFrame import pandas as pd
In [3]: obj = Series([1, -2, 3, -4], index=[＂a＂, ＂b＂, ＂c＂, ＂d＂]) obj
Out[3]: a 1 b -2 c 3 d -4 dtype: int64
In [4]: obj[1]
Out[4]: -2
In [5]: obj[＂b＂]
Out[5]: -2
In [6]: obj[[＂a＂,＂c＂]]
Out[6]: a 1 c 3 dtype: int64
In [7]: obj[0:2]
Out[7]: a 1 b -2 dtype: int64
In [8]: obj[＂a＂:＂c＂]
Out[8]: a 1 b -2 c 3 dtype: int64
In [53]: data = { ＂name＂:[＂张三＂, ＂李四＂, ＂王五＂, ＂小明＂], ＂sex＂:[＂female＂, ＂female＂, ＂male＂, ＂male＂], ＂year＂:[2001, 2001, 2003, 2002], ＂city＂:[＂北京＂, ＂上海＂, ＂广州＂, ＂北京＂] } df = DataFrame(data) df
Out[53]:
city
name
sex
year
0
北京
张三
female
2001
1
上海
李四
female
2001
2
广州
王五
male
2003
3
北京
小明
male
2002
In [17]: df[＂city＂]
Out[17]: 0 北京 1 上海 2 广州 3 北京 Name: city, dtype: object
In [18]: df.name
Out[18]: 0 张三 1 李四 2 王五 3 小明 Name: name, dtype: object
In [20]: df[[＂city＂,＂sex＂]]
Out[20]:
city
sex
0
北京
female
1
上海
female
2
广州
male
3
北京
male
In [26]: df2 = df.set_index(＂name＂) df2
Out[26]:
city
sex
year
name
张三
北京
female
2001
李四
上海
female
2001
王五
广州
male
2003
小明
北京
male
2002
In [27]: df2[0:2]
Out[27]:
city
sex
year
name
张三
北京
female
2001
李四
上海
female
2001
In [28]: df2[＂李四＂:＂王五＂]
Out[28]:
city
sex
year
name
李四
上海
female
2001
王五
广州
male
2003
In [29]: df2
Out[29]:
city
sex
year
name
张三
北京
female
2001
李四
上海
female
2001
王五
广州
male
2003
小明
北京
male
2002
In [31]: df2.loc[＂张三＂]
Out[31]: city 北京 sex female year 2001 Name: 张三, dtype: object
In [33]: df2.loc[[＂张三＂,＂王五＂]]
Out[33]:
city
sex
year
name
张三
北京
female
2001
王五
广州
male
2003
In [35]: df2.iloc[1]
Out[35]: city 上海 sex female year 2001 Name: 李四, dtype: object
In [36]: df2.iloc[[1,3]]
Out[36]:
city
sex
year
name
李四
上海
female
2001
小明
北京
male
2002
In [41]: df2.ix[[＂张三＂,＂王五＂],0:2]
Out[41]:
city
sex
name
张三
北京
female
王五
广州
male
In [75]: pd.set_option(＂mode.chained_assignment＂,None)
In [43]: df2.ix[:,[＂sex＂,＂year＂]] #获取列
Out[43]:
sex
year
name
张三
female
2001
李四
female
2001
王五
male
2003
小明
male
2002
In [44]: df2.ix[[1,3],:] #获取行
Out[44]:
city
sex
year
name
李四
上海
female
2001
小明
北京
male
2002
In [45]: df2[＂sex＂] == ＂female＂
Out[45]: name 张三 True 李四 True 王五 False 小明 False Name: sex, dtype: bool
In [46]: df2[df2[＂sex＂] == ＂female＂]
Out[46]:
city
sex
year
name
张三
北京
female
2001
李四
上海
female
2001
In [48]: df2[(df2[＂sex＂] == ＂female＂) & (df2[＂city＂] == ＂北京＂)]
Out[48]:
city
sex
year
name
张三
北京
female
2001 行和列的操作
In [54]: df
Out[54]:
city
name
sex
year
0
北京
张三
female
2001
1
上海
李四
female
2001
2
广州
王五
male
2003
3
北京
小明
male
2002
In [57]: new_data = { ＂city＂:＂武汉＂, ＂name＂:＂小李＂, ＂sex＂:＂male＂, ＂year＂:2002 }
In [59]: df = df.append(new_data,ignore_index=True) #忽略索引值 df
Out[59]:
city
name
sex
year
0
北京
张三
female
2001
1
上海
李四
female
2001
2
广州
王五
male
2003
3
北京
小明
male
2002
4
武汉
小李
male
2002
In [60]: df[＂class＂] = 2018 df
Out[60]:
city
name
sex
year
class
0
北京
张三
female
2001
2018
1
上海
李四
female
2001
2018
2
广州
王五
male
2003
2018
3
北京
小明
male
2002
2018
4
武汉
小李
male
2002
2018
In [61]: df[＂math＂] = [92,78,58,69,82] df
Out[61]:
city
name
sex
year
class
math
0
北京
张三
female
2001
2018
92
1
上海
李四
female
2001
2018
78
2
广州
王五
male
2003
2018
58
3
北京
小明
male
2002
2018
69
4
武汉
小李
male
2002
2018
82
In [63]: new_df = df.drop(2) #删除行 new_df
Out[63]:
city
name
sex
year
class
math
0
北京
张三
female
2001
2018
92
1
上海
李四
female
2001
2018
78
3
北京
小明
male
2002
2018
69
4
武汉
小李
male
2002
2018
82
In [64]: new_df = new_df.drop(＂class＂,axis=1) #删除列 new_df
Out[64]:
city
name
sex
year
math
0
北京
张三
female
2001
92
1
上海
李四
female
2001
78
3
北京
小明
male
2002
69
4
武汉
小李
male
2002
82
In [65]: new_df.rename(index={3:2,4:3},columns={＂math＂:＂Math＂},inplace=True) #inplace可在原数据上修改 new_df
Out[65]:
city
name
sex
year
Math
0
北京
张三
female
2001
92
1
上海
李四
female
2001
78
2
北京
小明
male
2002
69
3
武汉
小李
male
2002
82
In [67]: obj1 = Series([3.2,5.3,-4.4,-3.7],index=[＂a＂,＂c＂,＂g＂,＂f＂]) obj1
Out[67]: a 3.2 c 5.3 g -4.4 f -3.7 dtype: float64
In [68]: obj2 = Series([5.0,-2,4.4,3.4],index=[＂a＂,＂b＂,＂c＂,＂d＂]) obj2
Out[68]: a 5.0 b -2.0 c 4.4 d 3.4 dtype: float64
In [69]: obj1 + obj2
Out[69]: a 8.2 b NaN c 9.7 d NaN f NaN g NaN dtype: float64
In [70]: df1 = DataFrame(np.arange(9).reshape(3,3),columns=[＂a＂,＂b＂,＂c＂], index=[＂apple＂,＂tea＂,＂banana＂]) df1
Out[70]:
a
b
c
apple
0
1
2
tea
3
4
5
banana
6
7
8
In [71]: df2 = DataFrame(np.arange(9).reshape(3,3),columns=[＂a＂,＂b＂,＂d＂], index=[＂apple＂,＂tea＂,＂coco＂]) df2
Out[71]:
a
b
d
apple
0
1
2
tea
3
4
5
coco
6
7
8
In [72]: df1 + df2
Out[72]:
a
b
c
d
apple
0.0
2.0
NaN
NaN
banana
NaN
NaN
NaN
NaN
coco
NaN
NaN
NaN
NaN
tea
6.0
8.0
NaN
NaN
In [73]: df1
Out[73]:
a
b
c
apple
0
1
2
tea
3
4
5
banana
6
7
8
In [76]: s = df1.ix[＂apple＂] s
Out[76]: a 0 b 1 c 2 Name: apple, dtype: int32
In [77]: df1 - s
Out[77]:
a
b
c
apple
0
0
0
tea
3
3
3
banana
6
6
6
In [78]: data = { ＂fruit＂:[＂apple＂, ＂orange＂, ＂grape＂, ＂banana＂], ＂price＂:[＂25元＂, ＂42元＂, ＂35元＂, ＂14元＂] } df1 = DataFrame(data) df1
Out[78]:
fruit
price
0
apple
25元
1
orange
42元
2
grape
35元
3
banana
14元
In [79]: def f(x): return x.split(＂元＂)[0] df1[＂price＂] = df1[＂price＂].map(f) df1
Out[79]:
fruit
price
0
apple
25
1
orange
42
2
grape
35
3
banana
14
In [80]: df2 = DataFrame(np.random.randn(3,3),columns=[＂a＂,＂b＂,＂c＂],index=[＂app＂,＂win＂,＂mac＂]) df2
Out[80]:
a
b
c
app
1.507962
-2.140018
0.053571
win
0.729671
0.207060
0.397773
mac
-0.191497
-0.765726
-0.266327
In [81]: f = lambda x:x.max()-x.min() df2.apply(f)
Out[81]: a 1.699460 b 2.347079 c 0.664100 dtype: float64
In [82]: df2
Out[82]:
a
b
c
app
1.507962
-2.140018
0.053571
win
0.729671
0.207060
0.397773
mac
-0.191497
-0.765726
-0.266327
In [84]: df2.applymap(lambda x:＂%.2f＂%x)
Out[84]:
a
b
c
app
1.51
-2.14
0.05
win
0.73
0.21
0.40
mac
-0.19
-0.77
-0.27
In [86]: obj1 = Series([-2,3,2,1],index=[＂b＂,＂a＂,＂d＂,＂c＂]) obj1
Out[86]: b -2 a 3 d 2 c 1 dtype: int64
In [87]: obj1.sort_index() #升序
Out[87]: a 3 b -2 c 1 d 2 dtype: int64
In [88]: obj1.sort_index(ascending=False) #降序
Out[88]: d 2 c 1 b -2 a 3 dtype: int64
In [91]: obj1.sort_values()
Out[91]: b -2 c 1 d 2 a 3 dtype: int64
In [92]: df2
Out[92]:
a
b
c
app
1.507962
-2.140018
0.053571
win
0.729671
0.207060
0.397773
mac
-0.191497
-0.765726
-0.266327
In [93]: df2.sort_values(by=＂b＂)
Out[93]:
a
b
c
app
1.507962
-2.140018
0.053571
mac
-0.191497
-0.765726
-0.266327
win
0.729671
0.207060
0.397773
In [2]: df = DataFrame(np.random.randn(9).reshape(3,3),columns=[＂a＂,＂b＂,＂c＂]) df
Out[2]:
a
b
c
0
0.660215
-1.137716
-0.302954
1
1.496589
-0.768645
-2.091506
2
0.170316
-2.682284
-0.041099
In [3]: df.sum()
Out[3]: a 2.327120 b -4.588645 c -2.435558 dtype: float64
In [4]: df.sum(axis=1)
Out[4]: 0 -0.780455 1 -1.363562 2 -2.553067 dtype: float64
In [5]: data = { ＂name＂:[＂张三＂, ＂李四＂, ＂王五＂, ＂小明＂], ＂sex＂:[＂female＂, ＂female＂, ＂male＂, ＂male＂], ＂math＂:[78, 79, 83, 92], ＂city＂:[＂北京＂, ＂上海＂, ＂广州＂, ＂北京＂] } df = DataFrame(data) df
Out[5]:
city
math
name
sex
0
北京
78
张三
female
1
上海
79
李四
female
2
广州
83
王五
male
3
北京
92
小明
male
In [6]: df.describe()
Out[6]:
math
count
4.000000
mean
83.000000
std
6.377042
min
78.000000
25%
78.750000
50%
81.000000
75%
85.250000
max
92.000000
In [7]: obj = Series([＂a＂,＂b＂,＂a＂,＂c＂,＂b＂]) obj
Out[7]: 0 a 1 b 2 a 3 c 4 b dtype: object
In [8]: obj.unique()
Out[8]: array([＂a＂, ＂b＂, ＂c＂], dtype=object)
In [9]: obj.value_counts()
Out[9]: a 2 b 2 c 1 dtype: int64
In [11]: obj = Series(np.random.randn(9), index=[[＂one＂,＂one＂,＂one＂,＂two＂,＂two＂,＂two＂,＂three＂,＂three＂,＂three＂], [＂a＂,＂b＂,＂c＂,＂a＂,＂b＂,＂c＂,＂a＂,＂b＂,＂c＂]]) obj
Out[11]: one a 0.697195 b -0.887408 c 0.451851 two a 0.390779 b -2.058070 c 0.760594 three a -0.305534 b -0.720491 c -0.259225 dtype: float64
In [12]: obj.index
Out[12]: MultiIndex(levels=[[＂one＂, ＂three＂, ＂two＂], [＂a＂, ＂b＂, ＂c＂]], labels=[[0, 0, 0, 2, 2, 2, 1, 1, 1], [0, 1, 2, 0, 1, 2, 0, 1, 2]])
In [13]: obj[＂two＂]
Out[13]: a 0.390779 b -2.058070 c 0.760594 dtype: float64
In [15]: obj[:,＂a＂] #内层选取
Out[15]: one 0.697195 two 0.390779 three -0.305534 dtype: float64
In [16]: df = DataFrame(np.arange(16).reshape(4,4), index=[[＂one＂,＂one＂,＂two＂,＂two＂],[＂a＂,＂b＂,＂a＂,＂b＂]], columns=[[＂apple＂,＂apple＂,＂orange＂,＂orange＂],[＂red＂,＂green＂,＂red＂,＂green＂]]) df
Out[16]:
apple
orange
red
green
red
green
one
a
0
1
2
3
b
4
5
6
7
two
a
8
9
10
11
b
12
13
14
15
In [17]: df[＂apple＂]
Out[17]:
red
green
one
a
0
1
b
4
5
two
a
8
9
b
12
13
In [18]: df.swaplevel(0,1)
Out[18]:
apple
orange
red
green
red
green
a
one
0
1
2
3
b
one
4
5
6
7
a
two
8
9
10
11
b
two
12
13
14
15
In [19]: df.sum(level=0)
Out[19]:
apple
orange
red
green
red
green
one
4
6
8
10
two
20
22
24
26
In [20]: df.sum(level=1,axis=1)
Out[20]:
green
red
one
a
4
2
b
12
10
two
a
20
18
b
28
26 pandas数据可视化
In [6]: import numpy as np from pandas import Series,DataFrame import pandas as pd import matplotlib as mpl import matplotlib.pyplot as plt #导入matplotlib库 %matplotlib inline #魔法函数
In [7]: s = Series(np.random.normal(size=10)) s
Out[7]: 0 -0.468142 1 -1.408927 2 -0.182548 3 -0.043023 4 0.121437 5 0.539194 6 0.011423 7 -0.938207 8 1.589460 9 0.460753 dtype: float64
In [8]: s.plot()
Out[8]:
In [10]: df = DataFrame({＂normal＂: np.random.normal(size=100), ＂gamma＂: np.random.gamma(1, size=100), ＂poisson＂: np.random.poisson(size=100)}) df.cumsum()
Out[10]:
gamma
normal
poisson
0
1.804045
1.788000
0.0
1
1.835715
0.089426
0.0
2
3.850210
0.870177
0.0
3
6.082898
0.902761
0.0
4
8.837446
0.959945
1.0
5
9.307126
1.658268
3.0
6
9.518029
3.118419
6.0
7
9.758011
3.861418
6.0
8
10.481856
3.405625
6.0
9
12.405202
4.892910
7.0
10
13.086167
4.776206
7.0
11
13.457807
3.217277
8.0
12
13.574663
1.821368
9.0
13
13.695523
2.829581
10.0
14
13.819044
3.015490
11.0
15
15.801080
2.629254
13.0
16
17.043867
2.052196
14.0
17
17.089774
3.687834
15.0
18
17.499338
2.635491
16.0
19
18.257891
2.636466
18.0
20
19.101743
2.272298
19.0
21
24.158020
-0.113947
20.0
22
25.112218
-0.594266
23.0
23
25.986628
-1.326405
23.0
24
28.383365
-1.349211
23.0
25
28.753694
-1.527589
23.0
26
28.908734
-1.312111
25.0
27
30.607696
0.228251
26.0
28
31.081009
1.067429
27.0
29
31.330353
1.098605
28.0
...
...
...
...
70
72.302929
14.123995
66.0
71
72.794689
14.860449
67.0
72
73.629651
14.828726
67.0
73
74.610837
14.168664
68.0
74
78.773897
13.334949
70.0
75
80.916582
13.722037
71.0
76
81.994526
14.717187
72.0
77
83.927355
13.784763
72.0
78
86.004903
13.343261
75.0
79
86.609627
12.151334
75.0
80
87.199249
13.345584
77.0
81
87.213180
12.311815
77.0
82
87.553190
13.864232
77.0
83
89.157662
14.439016
78.0
84
89.213456
14.401503
80.0
85
89.471336
15.838362
81.0
86
89.552332
14.406933
81.0
87
91.565291
14.520602
82.0
88
94.179919
12.017739
82.0
89
95.075841
13.279973
83.0
90
95.192719
13.089789
83.0
91
96.148316
12.268122
84.0
92
97.146898
11.830559
84.0
93
97.456375
13.035484
86.0
94
99.877122
11.966609
87.0
95
103.015620
12.313341
88.0
96
103.116648
12.715195
88.0
97
103.490265
12.168645
89.0
98
103.925893
11.502630
89.0
99
105.008619
11.193637
89.0
100 rows 3 columns
In [11]: df.cumsum().plot()
Out[11]:
In [12]: data = { ＂name＂:[＂张三＂, ＂李四＂, ＂王五＂, ＂小明＂, ＂Peter＂], ＂sex＂:[＂female＂, ＂female＂, ＂male＂, ＂male＂,＂male＂], ＂year＂:[2001, 2001, 2003, 2002, 2002], ＂city＂:[＂北京＂, ＂上海＂, ＂广州＂, ＂北京＂, ＂北京＂] } df = DataFrame(data) df
Out[12]:
city
name
sex
year
0
北京
张三
female
2001
1
上海
李四
female
2001
2
广州
王五
male
2003
3
北京
小明
male
2002
4
北京
Peter
male
2002
In [14]: df[＂sex＂].value_counts()
Out[14]: male 3 female 2 Name: sex, dtype: int64
In [16]: df[＂sex＂].value_counts().plot(kind=＂bar＂)
Out[16]:
In [18]: df2 = DataFrame(np.random.randint(0,100,size=(3,3)), index=(＂one＂,＂two＂,＂three＂), columns = [＂A＂,＂B＂,＂C＂]) df2
Out[18]:
A
B
C
one
29
5
88
two
35
42
43
three
87
85
76
In [19]: df2.plot(kind=＂barh＂)
Out[19]:
In [20]: df2.plot(kind=＂barh＂,stacked=True,alpha=0.5)
Out[20]:
In [28]: s = Series(np.random.normal(size=100)) s.hist(bins=20,grid=False)
Out[28]:
In [29]: s.plot(kind=＂kde＂)
Out[29]:
In [31]: df3 = DataFrame(np.arange(10),columns=[＂X＂]) df3[＂Y＂] = 2 * df3[＂X＂] + 5 df3
Out[31]:
X
Y
0
0
5
1
1
7
2
2
9
3
3
11
4
4
13
5
5
15
6
6
17
7
7
19
8
8
21
9
9
23
In [34]: df3.plot(kind=＂scatter＂,x=＂X＂,y=＂Y＂)
Out[34]:
In [51]: import numpy as np from pandas import Series,DataFrame import pandas as pd import seaborn as sns #导入seaborn库
In [52]: tips=sns.load_dataset(＂tips＂) tips.head()
Out[52]:
total_bill
tip
sex
smoker
day
time
size
0
16.99
1.01
Female
No
Sun
Dinner
2
1
10.34
1.66
Male
No
Sun
Dinner
3
2
21.01
3.50
Male
No
Sun
Dinner
3
3
23.68
3.31
Male
No
Sun
Dinner
2
4
24.59
3.61
Female
No
Sun
Dinner
4
In [54]: tips.shape
Out[54]: (244, 7)
In [55]: tips.describe()
Out[55]:
total_bill
tip
size
count
244.000000
244.000000
244.000000
mean
19.785943
2.998279
2.569672
std
8.902412
1.383638
0.951100
min
3.070000
1.000000
1.000000
25%
13.347500
2.000000
2.000000
50%
17.795000
2.900000
2.000000
75%
24.127500
3.562500
3.000000
max
50.810000
10.000000
6.000000
In [56]: tips.info() RangeIndex: 244 entries, 0 to 243 Data columns (total 7 columns): total_bill 244 non-null float64 tip 244 non-null float64 sex 244 non-null category smoker 244 non-null category day 244 non-null category time 244 non-null category size 244 non-null int64 dtypes: category(4), float64(2), int64(1) memory usage: 7.2 KB
In [57]: tips.plot(kind=＂scatter＂,x=＂total_bill＂,y=＂tip＂)
Out[57]:
In [62]: male_tip = tips[tips[＂sex＂] == ＂Male＂][＂tip＂].mean() male_tip
Out[62]: 3.0896178343949052
In [63]: female_tip = tips[tips[＂sex＂] == ＂Female＂][＂tip＂].mean() female_tip
Out[63]: 2.833448275862069
In [66]: s = Series([male_tip,female_tip],index=[＂male＂,＂female＂]) s
Out[66]: male 3.089618 female 2.833448 dtype: float64
In [67]: s.plot(kind=＂bar＂)
Out[67]:
In [68]: tips[＂day＂].unique()
Out[68]: [Sun, Sat, Thur, Fri] Categories (4, object): [Sun, Sat, Thur, Fri]
In [71]: sun_tip = tips[tips[＂day＂] == ＂Sun＂][＂tip＂].mean() sat_tip = tips[tips[＂day＂] == ＂Sat＂][＂tip＂].mean() thur_tip = tips[tips[＂day＂] == ＂Thur＂][＂tip＂].mean() fri_tip = tips[tips[＂day＂] == ＂Fri＂][＂tip＂].mean()
In [72]: s = Series([thur_tip,fri_tip,sat_tip,sun_tip],index=[＂Thur＂,＂Fri＂,＂Sat＂,＂Sun＂]) s
Out[72]: Thur 2.771452 Fri 2.734737 Sat 2.993103 Sun 3.255132 dtype: float64
In [73]: s.plot(kind=＂bar＂)
Out[73]:
In [74]: tips[＂percent_tip＂] = tips[＂tip＂]/(tips[＂total_bill＂]+tips[＂tip＂]) tips.head(10)
Out[74]:
total_bill
tip
sex
smoker
day
time
size
percent_tip
0
16.99
1.01
Female
No
Sun
Dinner
2
0.056111
1
10.34
1.66
Male
No
Sun
Dinner
3
0.138333
2
21.01
3.50
Male
No
Sun
Dinner
3
0.142799
3
23.68
3.31
Male
No
Sun
Dinner
2
0.122638
4
24.59
3.61
Female
No
Sun
Dinner
4
0.128014
5
25.29
4.71
Male
No
Sun
Dinner
4
0.157000
6
8.77
2.00
Male
No
Sun
Dinner
2
0.185701
7
26.88
3.12
Male
No
Sun
Dinner
4
0.104000
8
15.04
1.96
Male
No
Sun
Dinner
2
0.115294
9
14.78
3.23
Male
No
Sun
Dinner
2
0.179345
In [76]: tips[＂percent_tip＂].hist(bins=50)
Out[76]:
生鲜巨变每日优鲜叮咚买菜盒马分道扬镳？此前，在疫情影响下，人们出门购物频次减少，传统买菜模式也受到了一定的冲击。在此背景下，既能够解决人们买菜难题又能够减少人与人接触的生鲜电商，赢得了众多消费者的青睐。而随着大量用户涌
解锁全领域，处理你的麻烦事洛森M2，M3组合工具工具这种东西，喜欢的人会有收藏情结，可以在手中把玩不喜欢的就是一堆冷金属而已，用之即来，挥之即去。好的工具不仅制作精致，每处连接都是恰到好处，堪称艺术品，当然大部分男性都是有那么一
昆明旅行社推出多条旅游路线泰国6日游价格来源昆明日报掌上春城掌上春城讯目前曼谷直飞6日游价格为3680元人。昆明去哪儿旅行社门店工作人员说。1月31日，记者走访多家昆明本土旅行社了解到，近期有不少顾客咨询目前可以出行的国
三亚等热门旅游目的地机票价格回落，错峰出游正当时现代快报讯（记者刘伟娟文摄）2月1日，现代快报记者从多家航空公司及旅行平台获悉，春节假期过后，三亚昆明哈尔滨等热门旅游目的地机票价格回落，吸引了一批错峰游客流。由于寒假余额尚足，学
新春伊始，全国文旅市场迎来开门红新春伊始，全国文化和旅游市场迎来开门红，节后文化旅游市场继续保持热度。国家电影局统计数据显示，截至1月31日18时，中国电影2023年1月的总票房已超过100亿元人民币，创历年来1
中国裁判组将执法国际足联世俱杯揭幕战新华社日内瓦1月31日电国际足联31日在官网宣布，中国裁判员马宁周飞张铖傅明将执法2022摩洛哥世俱杯揭幕战。中国裁判员马宁。新华社记者孟鼎博摄揭幕战将在2月1日举行，对阵双方是埃
抖音超市，正式上线了零售板块，抖音再下一城！最近抖音悄悄在APP上线了抖音超市，用户只需要在搜索栏输入抖音超市即可进入购物页面。图源抖音APP以后在抖音，除了观看各大直播间，也能够直接下单购买各类日常
终于还是入了68键的坑，杜伽FUSION三模机械键盘上手体验熟悉香蕉哥的朋友应该都知道香蕉哥是一个机械键盘爱好者，之前也分享过数十篇的机械键盘使用经验。但是之前玩的比较多的，还是104按键全尺寸的机械键盘，今天要和大家分享的则是迷你小巧易收
胡桃or夜兰胡桃夜兰马上就要复刻了，大家准备是抽胡桃呢，还是夜兰呢？我的胡桃一命了，而且还配了一把专武，胡桃伤害打蒸发伤害真的爆表，我玩原神没冲过钱，肝！！！主要是没钱我想静静我想静静我想静静
女足世界杯揭幕战预计10万人观战，中国女足有望获得更大突破近期，国际足联秘书长萨穆拉表示，2023年女足世界杯开幕式将会吸引10万人观战。在举世瞩目的男足世界杯落下帷幕之后，女足世界杯同样值得足球爱好者期待。相对于男足来说，女足为中国球迷
诺亦腾携VTS虚拟直播套装构筑新武林ampampamp陈鸿宇乐世界科技与诗意相拥虚实与民谣邂逅1月13日，在轴厂（OXYZ3）出品与原创的虚拟音乐江湖新武林中，轴为独乐陈鸿宇打造的虚拟演出众纪元震撼上线，为观众带来一场虚实科技与诗意民谣的精彩碰撞
美国云计算巨头在东南亚遭遇中企激烈竞争百能云芯称霸全球的美国云计算公司在东南亚正面临来自中国企业的激烈竞争，包括华为阿里巴巴与腾讯，特别是在泰国和印尼等新兴市场，中企正以更低的价格压过美国竞争对手，抢下对价格较为敏感的客户。云钙钛矿行业研究报告产业化步伐加快，设备市场空间广阔（报告出品方作者德邦证券，俞能飞卢大炜）钙钛矿优势明显的第三代光伏技术钙钛矿太阳能电池的结构和工作原理钙钛矿最初是指钛酸钙（CaTiO3）这种矿物，后来将这种结构组成为ABX3的化五矿二十三冶投资公司投资引擎添动力主业发展加速跑红网时刻新闻通讯员李祥晃长沙报道投资牵引，服务主业。作为五矿二十三冶旗下唯一一家不以工程施工为主业的直属企业，五矿二十三冶投资公司（以下简称投资公司）在投融资业务赛道上，为五矿二十俗话说，春捂秋冻正确春捂，需要注意这四点！俗话说，春捂秋冻。现在正值春季，春捂该怎么捂呢？俗话说春捂秋冻，不生杂病，黄帝内经。素问。骨空论也说风者，百病之始也。春季气候变化较大，很容易出现乍暖乍寒的情况，再加上春回大地，人让自己看起来更年轻？以下11种生活方式可以让你的皮肤变年轻我是陈家大鱼儿，一个喜欢研究健康以及星座还热爱旅游的主播。虽然说很多人都知道如何去保养皮肤，如何让自己的皮肤更健康，但是繁琐的方式和一大堆花钱的护肤产品却也让不少普通人望而却步。那行业预览！中国预拌粉行业全景分析及未来发展趋势预测关键词预拌粉分类预拌粉产业链分析预拌粉原料市场供应情况预拌粉市场供需情况一预拌粉定义及分类预拌粉是人们在制作面点时最常用到的一种产品，通常来讲，预拌粉是对制作面点所需的多种原料材料锂电黑马吴城进击集团宣布105亿项目后国城矿业10亿成立子公司图片来源国城集团连续出手扩张作者谢美浴105亿投向德阳之后，国城又出资10亿，在同一地区设立了子公司。近日，国城矿业公告称，公司拟以自有资金投资10亿元在四川省德阳市绵竹县德阳阿坝上市公司被民企网络举报存在多项造假，董事长回应在核查2月6日，福建一家民企在新浪微博发出实名举报信，公开指控上市公司北京世纪国源科技股份有限公司（下称世纪国源公司）存在招投标造假财务造假私刻公章等情况，目前正向有关部门投诉举报。世纪万兴科技旗下视频创意软件已接入ChatGPT母公司OpenAI相关服务e公司讯，近日万兴科技（300624）旗下视频创意软件WondershareFilmora新版本全新接入ChatGPT母公司OpenAI相关服务，率先在视频创作领域集成AIGC新技如何正确佩戴腰围？术后尤其要注意如何正确佩戴腰围？术后尤其要注意腰椎手术后的患者通常需要佩戴一段时间的腰围护具，一般在46周，最长不超过8周，有利于腰椎术后减负和限制腰部活动，帮助患处康复。但如果佩戴时间过长，也2000多个网点关闭公司要倒闭？韵达快递紧急回应日前，被网传2000多个网点关闭的韵达速运通过官微辟谣，伴随着大量快递小哥节后的回归，此前部分快递企业和网点节后配送速度缓慢的问题也正在缓解，快递开始加速。我手机上刷到一些短视频博