统计相关的分析（表格）
2024-04-21 02:17:45
导入模块：>>> import numpy as npy
>
>算他的bmi,来分析是否需要减肥
>>> stu['BIM']=stu['体重']/(npy.square(stu['身高']/100))
>>> stu性别 年龄 身高 体重 省份 成绩 月生活费 课程兴趣 案例教学 BIM
序号
1 male 20.0 170 70.0 LiaoNing NaN 800.0 5 4 24.221453
2 male 22.0 180 71.0 GuangXi 77.0 1300.0 3 4 21.913580
3 male NaN 180 62.0 FuJian 57.0 1000.0 2 4 19.135802
4 male 20.0 177 72.0 LiaoNing 79.0 900.0 4 4 22.981902
5 male 20.0 172 NaN ShanDong 91.0 NaN 5 5 NaN
6 male 20.0 179 75.0 YunNan 92.0 950.0 5 5 23.407509
7 female 21.0 166 53.0 LiaoNing 80.0 1200.0 4 5 19.233561
8 female 20.0 162 47.0 AnHui 78.0 1000.0 4 4 17.908855
9 female 20.0 162 47.0 AnHui 78.0 1000.0 4 4 17.908855
10 male 19.0 169 76.0 HeiLongJiang 88.0 1100.0 5 5 26.609713
>>>
相关的函数：
对列表进行计算统计分析：
stu['BIM']=stu['体重']/(npy.square(stu['身高']/100))>>> stu性别 年龄 身高 体重 省份 成绩 月生活费 课程兴趣 案例教学 BIM
序号
1 male 20.0 170 70.0 LiaoNing NaN 800.0 5 4 24.221453
2 male 22.0 180 71.0 GuangXi 77.0 1300.0 3 4 21.913580
3 male NaN 180 62.0 FuJian 57.0 1000.0 2 4 19.135802
4 male 20.0 177 72.0 LiaoNing 79.0 900.0 4 4 22.981902
5 male 20.0 172 NaN ShanDong 91.0 NaN 5 5 NaN
6 male 20.0 179 75.0 YunNan 92.0 950.0 5 5 23.407509
7 female 21.0 166 53.0 LiaoNing 80.0 1200.0 4 5 19.233561
8 female 20.0 162 47.0 AnHui 78.0 1000.0 4 4 17.908855
9 female 20.0 162 47.0 AnHui 78.0 1000.0 4 4 17.908855
10 male 19.0 169 76.0 HeiLongJiang 88.0 1100.0 5 5 26.609713
>>> #对成绩和月生活费进行分析统计
>>> stu['成绩'].mean()
80.0
>>> stu['月生活费'].quantile()
1000.0
>>> stu性别 年龄 身高 体重 省份 成绩 月生活费 课程兴趣 案例教学 BIM
序号
1 male 20.0 170 70.0 LiaoNing NaN 800.0 5 4 24.221453
2 male 22.0 180 71.0 GuangXi 77.0 1300.0 3 4 21.913580
3 male NaN 180 62.0 FuJian 57.0 1000.0 2 4 19.135802
4 male 20.0 177 72.0 LiaoNing 79.0 900.0 4 4 22.981902
5 male 20.0 172 NaN ShanDong 91.0 NaN 5 5 NaN
6 male 20.0 179 75.0 YunNan 92.0 950.0 5 5 23.407509
7 female 21.0 166 53.0 LiaoNing 80.0 1200.0 4 5 19.233561
8 female 20.0 162 47.0 AnHui 78.0 1000.0 4 4 17.908855
9 female 20.0 162 47.0 AnHui 78.0 1000.0 4 4 17.908855
10 male 19.0 169 76.0 HeiLongJiang 88.0 1100.0 5 5 26.609713
>>> stu['月生活费'].sum()
9250.0
>>> s=stu['月生活费'].sum()
>>> s
9250.0
>>> s/10
925.0
>>> s/9
1027.7777777777778
用describe 进行统计分析：
>>> stu[['身高','体重','成绩']].describe()身高 体重 成绩
count 10.000000 9.000000 9.000000
mean 171.700000 63.666667 80.000000
std 7.071853 11.811012 10.464225
min 162.000000 47.000000 57.000000
25% 166.750000 53.000000 78.000000
50% 171.000000 70.000000 79.000000
75% 178.500000 72.000000 88.000000
max 180.000000 76.000000 92.000000
这是一个分组分析：
grouped = stu.groupby(['性别','年龄'])
>>> grouped.aggregate({'身高':npy.mean,'月生活费':npy.max})身高 月生活费
性别 年龄
female 20.0 162.0 1000.021.0 166.0 1200.0
male 19.0 169.0 1100.020.0 174.5 950.022.0 180.0 1300.0
相关性的分析，越接近1表示越正相关，越接近0表示不相关；
执行一个案例：
#这是一个调查反馈分析表：
#导入方法：
import pandas as pad
import numpy as npy#读取表格：
data1 = pad.read_excel("d:\\resu\\python_test\\练习文件\\例题源程序-学生\\data\\studentsInfo.xlsx",'Group1',index_col = 0)
data2 = pad.read_excel("d:\\resu\\python_test\\练习文件\\例题源程序-学生\\data\\studentsInfo.xlsx",'Group2',index_col = 0)
data3 = pad.read_excel("d:\\resu\\python_test\\练习文件\\例题源程序-学生\\data\\studentsInfo.xlsx",'Group3',index_col = 0)
data4 = pad.read_excel("d:\\resu\\python_test\\练习文件\\例题源程序-学生\\data\\studentsInfo.xlsx",'Group4',index_col = 0)
data5 = pad.read_excel("d:\\resu\\python_test\\练习文件\\例题源程序-学生\\data\\studentsInfo.xlsx",'Group5',index_col = 0)#按行追加：
stu = pad.concat([data1,data2,data3,data4,data5],axis=0)
print('data size:',stu.shape（）
去重：
stu.drop_duplicates(inplace = True)
>>> print('data size after drop:',stu.shape)
data size after drop: (49, 9)
去空值：
print("nan columns:\n",stu.isnull().any())nan columns:性别 False
年龄 True
身高 False
体重 True
省份 False
成绩 True
月生活费 True
课程兴趣 False
案例教学 False
填充空值：
>>> stu.fillna({'年龄':20,'成绩':stu['成绩'].mean()},inplace = True)
>>> print("nan columns:\n",stu.isnull().any())
nan columns:性别 False
年龄 False
身高 False
体重 True
省份 False
成绩 False
月生活费 True
课程兴趣 False
案例教学 False
dtype: bool
查看统计信息
stu_grade = stu.sort_values(by = '成绩',ascending = False )
>>> ex = (stu_grade['成绩']>=90).sum()
>>> fail = (stu_grade['成绩']<60).sum()
>>> print("excellent:{}，fail:{}".format(ex,fail))
excellent:10，fail:4
常见统计函数：
统计相关的分析（表格）相关推荐
- matlab 字数统计,matlab中数据及统计描述和分析.doc
matlab中数据及统计描述和分析 第十章 数据的统计描述和分析 数理统计研究的对象是受随机因素影响的数据,以下数理统计就简称统计,统计是以概率论为基础的一门应用学科. 数据样本少则几个,多则成千上万 ...
- 基于SSH2做一个24小时订单分析表格
基于SSH2做一个24小时订单分析表格 以下为要实现的最终效果截图: ps:没有时间优化前段页面样式,对前段美化有要求的小伙伴可以自行引用BOOtStrap.esayUi 或者 layUi 自行优化. ...
- 智能门锁-手机应用相机国产、非国产统计参数对比分析
智能门锁-手机应用相机国产.非国产统计参数对比分析 智能门锁应用 从2019年1月1日至2020年12月31日,3D人脸识别智能门锁在全市场统计中,总销量已接近20万套.其中德施曼以其先发优势,良好的 ...
- App渠道推广统计:安卓渠道分析和渠道效果统计方法
随着移动互联网的飞速发展,移动端入口的碎片化时代已经到来,只有掌握用户的内容渠道,就有了移动端入口的能力.APP想要获取用户,就需要借助渠道的力量.下面介绍一些主流的推广渠道和统计方法. 常见的App ...
- eMule 的使用场景及初始化任务描述级eMule相关代码分析（仅涉及ed2k）
提前说明:从这页博客开始就会涉及eMule源代码的分析(或者说梳理更为合适),梳理源代码的目的在于让大家在看了一下原理后,想看下这些原理的具体实现(看eMule源代码)时轻松些,更有目标.所以在这里笔 ...
- Python数据分析初学之分析表格
文章目录 Python数据分析初学之分析表格 任务要求 代码实现 Python数据分析初学之分析表格 任务要求 1)使用 pandas 读取文件 data.csv 中的数据 ,创建 DataFrame ...
- 研究移动用户APP操作行为的相关关系分析
数据采集 为验证本系统采集情境数据的性能.可靠性和实用性,选取Application功能所采集到的情境数据进行不同用户安装使用的不同APP应用之间的关联关系.本研究主要研究对象是在校大学生及研究生,总 ...
- 智慧客流统计AI视觉分析系统
客流统计对于企业商家来说是数据分析指导的重要依据,通过人数统计数据的分析挖掘出有用的信息,从而提升工作运营的效率.如今随着计算机AI视觉识别等相关技术的发展和成熟,采用智能视频监控系统功能实现人流量的 ...
- android7.0 进程管理,Android 7.0 ActivityManagerService(8) 进程管理相关流程分析(2) updateOomAdjLocked...
前一篇博客进程管理相关流程分析(1)里, 我们介绍了AMS中updateLruProcessLocked函数相关的流程. updateLruProcessLocked只是按照进程中运行的组件,粗略地定 ...
最新文章
- golang的定时器NewTimer、NewTicker使用
- python父类的类成员怎么定义_python如何找到哪些父类定义子对象的方法
- R语言——双样本独立检验的快速分析立检验的快速分析
- Checkpoint IC_WEBCLIENT_PROCESS_CNTRL_DBG
- 用Fiddler调试localhost
- 集合的创建、集合的特性（成员操作符、for循环）
- VMware虚拟机的网络设置
- ConcurrentHashMap源码分析(保姆式讲解)：Put、扩容原理详解 博主可答疑
- 修复小米路由器mini的USB口
- echarts 生成 迁徙图_echarts迁徙图
- 香港拼音--汉字对照表
- 再见，杀毒软件之父，王江民！
- excel双条件筛选
- 项目排期工具OmniPlan实用指南
- C语言写个简单的串口调试助手
- 具有自适应边界与最优引导的莱维飞行蚁狮优化算法-附代码
- 数据结构之手斯红黑树
- linux下使用find命令全局查找文件
- android底层音频调试,Android音频底层调试-基于tinyalsa，使用中碰到问题
- 毕业设计_校园志愿者系统平台的设计与实现