数据计算

目录

1. 常用函数

2. 分组统计函数

3. 按不同时期统计数据的函数

常用函数

求和函数

DataFrame.sum(axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs)

axis： axis=0表示按行对所有列求和，axis=1表示按列对所有行求和；

skipna: 布尔型，表示计算结果是否排除NaN/Null值；

level： 索引层级；

min_count： 表示执行操作所需的数目，整型，默认值为0。

常见形式：

• df.sum()
• df.sum(axis=1)

求均值函数

DataFrame.mean(axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs)

常见形式：

• df.mean()
• df.mean(axis=1)

求最大值函数

DataFrame.max(axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs)

常见形式：

• df.max()
• df.max(axis=1)

求最小值函数

DataFrame.min(axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs)

常见形式：

• df.min()
• df.min(axis=1)

求中位数函数

DataFrame.median(axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs)

常见形式：

• df.median()
• df.median(axis=1)

求众数函数

DataFrame.mode(axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs)

常见形式：

• df.mode()
• df.mode(axis=1)

求方差函数

DataFrame.var(axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs)

常见形式：

• df.var()
• df.var(axis=1)

求标准差函数

DataFrame.std(axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs)

常见形式：

• df.std()
• df.std(axis=1)

求分位数函数

DataFrame.quantile(q=0.5, axis=None, numeric_only=None, interpolation='linear')

q：浮点型或数组，分位点，值域[0,1]

interpolation=’linear’: 内插值，不懂，也很难用到。

常见形式：

• df.quantile(0.35)
• df.quantitle(axis=1)

分组统计函数

分组统计函数

DataFrame.groupby(by='', axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, observed=False)

一般只需用到by=’’

1. 简单应用

df1 = df1.groupby(by='column_name').sum()

df1 = df1.groupby('column_name').sum()

df1 = df1.groupby(['column1_name', 'column2_name']).sum()

df1 = df1.groupby('groupby_name')['sum_name'].sum()

2. 高级应用

# 打印各个分组中的所有值
df1 = df1['column1','column2','column3']
for name, group in df1.groupby('column1'):
    print(name) # name 为column1中的值
    print(group) # group为分组后的数据


for (key1,key2), group in df1.groupby(['column1','column']):
    print(key1,key2)
    print(group)

# 分组聚合函数
df1 = df1.['column1','column2','column3']
group_cal1 = df1.groupby('column1').agg(['mean','sum'])
group_cal2 = df1.groupby('column1').agg({'column2':['mean','sum'],'column3':['sum']})

3. 与字典结合的分组函数

# 将几列数据通过字典合并到一列中，并对列名进行重命名
dic1 = {'column1':'ha', 'column2':'ha', 'column3':'he'}
df1 = df1.groupby(dic1,axis=1).sum()

时期统计函数

按时期统计数据

前提：将日期设置为索引，且日期格式为日期型

1. 按年统计数据
   df1= df1.resample(‘AS’).sum()

2. 按季度统计数据
   df1 = df1.resample(‘Q’).sum()

3. 按月份统计数据
   df1 = df1.resample(‘M’).sum()

4. 按星期统计函数
   df1 = df1.resample(‘W’).sum()

5. 按天统计函数
   df1 = df1.resample(‘D’).sum()

按时期统计数据后并将日期转换为相对应的格式

前提：将日期设置为索引，且日期格式为日期型

1. 按年统计数据
   df1= df1.resample(‘AS’).sum().to_period(‘AS’)

2. 按季度统计数据
   df1 = df1.resample(‘Q’).sum().to_period(‘Q’)

3. 按月份统计数据
   df1 = df1.resample(‘M’).sum().to_period(‘M’)

4. 按星期统计函数
   df1 = df1.resample(‘W’).sum().to_period(‘W’)

5. 按天统计函数
   df1 = df1.resample(‘D’).sum().to_period(‘D’)