最详细最直观的＞＞＞理解Pandas分组聚合和透视图标

写在前面：
- 突然打开excel看到透视图表，瞬间理解了pandas中的分组聚合和透视图标的内容。分享给大家，希望给在学习路上的伙伴们少点疑虑。

分组聚合

首先，创建我们需要的数据

df = pd.DataFrame(data = {'sex':np.random.randint(0,2,size = 300), # 0男，1女'class':np.random.randint(1,9,size = 300),#1~8八个班'Python':np.random.randint(0,151,size = 300),#Python成绩'Keras':np.random.randint(0,151,size =300),#Keras成绩'Tensorflow':np.random.randint(0,151,size=300),'Java':np.random.randint(0,151,size = 300),'C++':np.random.randint(0,151,size = 300)})
df['sex'] = df['sex'].map({0:'男',1:'女'}) # 将0，1映射成男女

数据长这样
首先进行分组（这里的分组就是对应索引的位置，在透视表pivot_table就是index)

g = df.Python.groupby([df['class'], df['sex']])
for name, data in g:print('组名:', name)print('数据:', data)#out:类似于：组名： （1， ’女’）数据： sex  class  Python  Keras  Tensorflow  Java  C++...balabalabala....组名： （1， '男')数据：sex  class  Python  Keras  Tensorflow  Java  C++...balabalabala....组名： （2， '女')数据： sex  class  Python  Keras  Tensorflow  Java  C++...balabalabala....组名： （2， '男')数据： sex  class  Python  Keras  Tensorflow  Java  C++...balabalabala........

明白了吧，就是我们Excel表格中的索引, 有了分组之后我们开始聚合，个人理解就是运算。在运算之前呢我们可以选择我们要展示的列，就是我们的列索引。
- 比如：

g = df.groupby(by = ['class','sex'])[['Python','Keras']]
for name, data in g:print('组名', name)print('数据', data)
#out:
# 哎你会发现，我们数据的列里只剩下了['Python','Keras']这两列了组名： （1， ’女’）数据： Python  Keras ...balabalabala....组名： （1， '男')数据： Python  Keras ...balabalabala....

最后就是我们的数据部分，也就是要进行聚合了，聚合也就是对我们这些分组好的列表进行运算整理了。
- 上代码

df.groupby(by = ['class','sex'])[['Python','Java']].max()

+ 输出呢我捏个图
+ 数据就是我们的聚合运算后的， 比如从我们  [组名： （1， ’女’）]
+ 从每一列选择最大的值放入我们分组聚合后 （1， ‘女',  'Python’， ‘Java）这一行中。
+ 这样是不是就是相当直观了。

当然了我们也可以，对聚合采用不同的统计方式，你可以去试试哦。

df.groupby(by = ['class','sex'])[['Python','Keras']].agg({'Python':[('最大值',np.max),('最小值',np.min)],'Keras':[('计数',pd.Series.count),('中位数',np.median)]})

+ 当然了我也给各位贴个图。

明白了分组聚合，透视表就是在此基础上进行了简化。

透视图表

上码

df.pivot_table(values=['Python','Keras'],# 要透视分组的值,就是生成后的列名index=['class','sex'], # 分组透视指标, groupby中的byaggfunc={'Python':[('最大值',np.max)], # 聚合运算'Keras':[('最小值',np.min),('中位数',np.median)] })

上图
敲黑板了哈，这里要说个很接近透视表的东西，不进行运算，只是在数据data里显示我要的值
比如，我现在行索引显示sex，列索引显示class，我数据值values里显示Python成绩

df.pivot_table(index=['sex'], columns=['class'], values= ['Python'])

哎你会发现，我选了三列， index（sex）作为行索引，columns（class）作为列索引， values选择了Python，自动为我们计算了分数的平均值。这样其实并不明显，如果三列有着因果关系（前半个小时我一直再找，但是从这个例子中没找到）。
比如城市，工作年限和工资之间的关系，不同城市不同工作年限将会由不同工资，城市和工作年限的分组类别不多且是固定的，工资是不同的，那么通过透视表，选择三列，我们将会很多得到我们想要的数据。
那么，通过刚才透视表的数据我能通过分组聚合得到吗？答案是肯定的。上码

df.groupby(by=['sex', 'class'])[['Python']].mean().unstack(-1)

最后码字不易，多多点赞支持哦，那块我说的不详细，或者有问题，多多沟通交流哦。

最详细最直观的＞＞＞理解Pandas分组聚合和透视图标相关推荐

pandas php,pandas分组聚合代码详解
pandas分组聚合代码详解本篇文章小编给大家分享一下pandas分组聚合代码详解,对大家学习pandas分组聚合有一定的帮助,小编觉得挺不错的,现在分享给大家供大家参考,有需要的小伙伴们可以来看看 ...
python pandas聚合_Python Pandas分组聚合的实现方法
Pycharm 鼠标移动到函数上,CTRL+Q可以快速查看文档,CTR+P可以看基本的参数. apply(),applymap()和map() apply()和applymap()是DataFrame ...
【Pandas分组聚合】 groupby()、agg() 方法的使用
Pandas分组聚合创建一个dataframe结构分组函数 groupby() 初识分组聚合多重行索引分组聚合对多列数据进行分组聚合综合应用聚合函数 agg(aggregate) 求多列 ...
【Pandas分组聚合】进阶：透视表、交叉表（pivot_table() 、crosstab()）
Pandas透视表.交叉表创建DataFrame结构透视表 pivot_table() 单列聚合多列聚合交叉表 crosstab() 计算分组频率两列分组后求第三列的统计指标创建DataF ...
Pandas数据处理_分组聚合_透视表交叉表
1.分组聚合 1.1拆分数据 groupby方法的参数及其说明: #该方法提供的是分组聚合步骤中的拆分功能, #能根据索引或字段对数据进行分组.其常用参数与使用格式如下:DataFrame.group ...
python 数据分析（六）astype('category')按类别分组 + 分组聚合操作 + 透视表 + 交叉表 + excel表的数据处理
文章目录一.按照类别单独分类astype() 1. astype()用法二.时间操作 1. 第一种:直接利用to_datetime() 2. 第二种:Series.dt 三.分组聚合操作 1. 分 ...
pandas分组聚合
基本操作 import pandas as pd import numpy as np df = pd.DataFrame({'a':['one','two','one','two'],'b':['k ...
【数据分析与可视化】Pandas可视化与数据透视表的讲解及实战（超详细附源码）
需要源码请点赞关注收藏后评论区留言私信~~~ 一.数据透视表数据透视表(Pivot Table)是数据分析中常见的工具之一,根据一个或多个键值对数据进行聚合,根据列或行的分组键将数据划分到各个区域 ...
《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 ...

最详细最直观的＞＞＞理解Pandas分组聚合和透视图标

分组聚合

透视图表

最详细最直观的＞＞＞理解Pandas分组聚合和透视图标相关推荐

最新文章

热门文章