pandas分组分析

分组分析：

根据分组字段，将分析对象划分成不同的部分，以对比分析各组之间差异性的分析方法；
分组分析常用的统计指标是计数、求和、平均值等。

grouby语法：

groupby(by=[分组列1,分组列2,…])[统计列1,统计列2,…].agg({统计列别名1:统计函数1,统计列别名2:统计函数2,…})

pandas交叉分析

交叉分析：

通常用于分析两个或两个以上分组变量之间的关系，以交叉表形式进行变量间关系的对比分析；
从数据的不同维度，综合进行分组细分，进一步了解数据的构成、分布特征；
交叉分析有数据透视表和交叉表两种。

透视表pivot_table()：
透视表pivot_table()是进行分组统计的函数，参数aggfunc决定统计类型。

pandas.pivot_table(data,values=None,index=None,columns=None,aggfunc='mean',fill_value=None,margins=False,dropna=True,margins_name='All',observed=False,
)

---参数解释---data：要应用透视表的数据框；
values：待聚合的列的名称，默认聚合所有数值列；
index：用于分组的列名或其他分组键，出现在结果透视表的行；
columns：用于分组的列名或其他分组键，出现在结果透视表的列；
aggfunc：聚合函数或函数列表，默认为 'mean'，可以是任何对 groupby 有效的函数；
fill_value：用于替换结果表中的缺失值；
margins：添加行/列小计和总计，默认为 False；dropna：如果为True，不添加条目都为NA的列；
margins_name：当margins为True时，行/列小计和总计的名称；
observed：仅当是Categoricals时才适用，如果为True：仅显示类别分组的观察值，False：显示类别分组的所有值。

交叉表crosstab()：
交叉表（Cross-Tabulation，简称 crosstab）是一种用于计算分组频率的特殊透视表。

pandas.crosstab(index,columns,values=None,rownames=None,colnames=None,aggfunc=None,margins=False,margins_name='All',dropna=True,normalize=False,
)

---参数解释---rownames/colnames：行名/列名；
normalize：是否标准化。

举例及函数互用groupby/pivot_table/crosstab

# 数据框tips：
tips.head()

例1：根据day和smoker计算分组平均数，并将day和smoker放到行上。

# grouby方法：
tips.groupby(['day', 'smoker']).mean()

# pivot_table()方法：
tips.pivot_table(index=['day', 'smoker'])
# 或
pd.pivot_table(tips,index=['day', 'smoker'])

例2：只聚合tip_pct和size列，根据day进行分组；将smoker放到列上，day放到行上。

# groupby方法：
tips.groupby(['day','smoker'])[['size', 'tip_pct']].agg('mean').unstack()

# 指定了行和列的分析维度，使用透视表的方法简单快速
# pivot_table方法：
tips.pivot_table(['tip_pct', 'size'], index='day', columns='smoker')

# pivot_table方法，添加小计/总计：
tips.pivot_table(['tip_pct', 'size'], index='day', columns='smoker',margins=True,margins_name='合计')

# 数据框data:
data[:10]

例3：根据国家和用手习惯对这段数据进行统计汇总。

# 频数统计时，使用交叉表（crosstab）更方便
# crosstab方法：
pd.crosstab(index=data.Nationality, columns=data.Handedness)

# crosstab方法，添加行/列名：
pd.crosstab(index=data.Nationality, columns=data.Handedness,rownames=['国家'],colnames=['用手习惯']))

# pivot_table方法：
data.pivot_table(index=['Nationality'], columns=['Handedness'], aggfunc='count')

# groupby方法：
data.groupby(['Nationality', 'Handedness']).agg('count').unstack()

pandas分组分析：GroupBy和pandas交叉分析：pivot_table/crosstab【学习记录】相关推荐

pandas分组统计 - groupby功能
数据分组分组统计 - groupby功能 ① 根据某些条件将数据拆分成组 ② 对每个组独立应用函数 ③ 将结果合并到一个数据结构中 Dataframe在行(axis=0)或列(axis=1)上进行分 ...
Pandas-高级处理（七）：透视表（pivot_table）【以指定列作为行索引对另一指定列的值进行分组聚合操作】、交叉表（crosstab）【统计频率】
交叉表与透视表的作用交叉表:计算一列数据对于另外一列数据的分组个数透视表:指定某一列对另一列的关系一.透视表透视表是一种可以对数据动态排布并且分类汇总的表格格式. 透视表:透视表是将原有的Da ...
pandas 分组统计的三个函数 pivot table crosstab groupby
最近在做数据,记录一下遇到的问题,解决的方式, 有一个数据,如图我想统计每年的idx_reply, idx_sat, idx_default的频数交叉统计. 探索了一下午,做法是这样的. data ...
pandas分组计算平均值_python – Pandas：如何按符号分组并按n行取平均值
假设我有以下数据框df: date symbol_a symbol_b ratio 0 2017/01/01 AAAA AA 10 1 2017/01/02 AAAA AA 20 2 2017/01/ ...
问卷与量表数据分析（SPSS+AMOS）学习笔记（七）：多选题的频率、交叉分析及卡方检验
课程链接:<问卷与量表数据分析(SPSS+AMOS)> 笔记中的数据皆来自课程自带资料. 目录 1. 多选题的两种定义方法 1.1 定义多重响应集的步骤--二分类 1.2 定义多重响应集 ...
《深入浅出Pandas：利用Python进行数据处理与分析》——第3部分数据形式变化_01分组聚合
文章目录分组聚合操作分组器分组对象查看 apply/pipe/transform 数据分箱(data binning),或离散组合或数据分桶分组可视化,pandas提供的简单的与分组相关的可视 ...
python的基本统计和分组分析和分布分析和交叉分析和结构分析
import pandas fa=pandas.read_csv('D://Python projects//reference data//5.1//data.csv') #查看学生分数的描述性统计 ...
python数据分析的交叉分析和分组分析 -第三次笔记
python数据分析 -第三次笔记 –1.交叉分析 –2.分组分析 1.交叉分析交叉分析的含义是在纵向分析法和横向分析法的基础上,从交叉.立体的角度出发,由浅入深.由低级到高级的一种分析方法.这种方 ...
【Pandas总结】第九节 Pandas_累计与分组 pd.groupby()
文章目录一.数据准备二.累计值计算 2.1 df.describe() 2.2 常用统计值三.分组 pd.groupby() 四.更多的使用方法`aggregate()`,`filter()`, ...

pandas分组分析：GroupBy和pandas交叉分析：pivot_table/crosstab【学习记录】

pandas分组分析

pandas交叉分析

举例及函数互用groupby/pivot_table/crosstab

pandas分组分析：GroupBy和pandas交叉分析：pivot_table/crosstab【学习记录】相关推荐

最新文章

热门文章