文章目录
前文回顾
大数据排序
sort_index方法
这个函数呢，你看到它的参数有很多，但是常用参数只有一个：ascending：True升序，False降序。
dict1 = {"name": ["小红", "小明", "小张"], "age": [16, 18, 17], "city": ["北京 ", "杭州", " 上海 "]}
df2 = pd.DataFrame(dict1, columns=["name", "age", "city"])
# 清除空格
df2["city"] = df2["city"].map(str.strip)
df2 = df2.set_index('age')
df2 = df2.sort_index(ascending=True)
print(df2)
这个是正常可以用的啊，根据索引列进行升序排序。
name city
age
16 小红 北京
17 小张 上海
18 小明 杭州
如果我们的索引列中有重复值，会怎么样？试试看呗：
dict1 = {"name": ["小明", "小张","小红"], "age": [17, 18, 17], "city": ["北京 ", "杭州", " 上海 "]}
df2 = pd.DataFrame(dict1, columns=["name", "age", "city"])
# 清除空格
df2["city"] = df2["city"].map(str.strip)
df2 = df2.set_index('age')
df2 = df2.sort_index(ascending=True)
print(df2)
看一下结果啊：
name city
age
17 小明 北京
17 小红 上海
18 小张 杭州
可以看出来，当索引列有重复值的时候，就按照在原数据中的顺序进行排放。
那，如果索引列不是阿拉伯数字，而是字符串呢？
啊，不知道各位有没有听说过ASCII码啊，应该都听过吧。
dict1 = {"name": ["ming","hong","zhang"], "age": [17, 18, 17], "city": ["北京 ", "杭州", " 上海 "]}
df2 = pd.DataFrame(dict1, columns=["name", "age", "city"])
# 清除空格
df2["city"] = df2["city"].map(str.strip)
df2 = df2.set_index('name')
df2 = df2.sort_index(ascending=True)
print(df2)
age city
name
hong 18 杭州
ming 17 北京
zhang 17 上海
你要问为什么把中文名改成英文名啊，那我哪知道中文是怎么排序的。。。
别问，问就是不知道。
sort_values方法
这个函数就比较，高可拓展。
常用参数我们看看：
by：str 或 list，按照列名排序
ascending：都懂、
inplace：替换DataFrame的数据
kind：排序算法，快排、归并、堆排，缺省是快排。{'quicksort','mergesort','heapsort'}
按照年龄进行逆向排序
# 创建含有空格的数据
dict1 = {"name": ["ming","hong","zhang"], "age": [17, 18, 17], "city": ["北京 ", "杭州", " 上海 "]}
df2 = pd.DataFrame(dict1, columns=["name", "age", "city"])
# 清除空格
df2["city"] = df2["city"].map(str.strip)
df2.sort_values('age',ascending=False,inplace = True)
print(df2)
age city
name
hong 18 杭州
ming 17 北京
zhang 17 上海
按照年龄和名字进行逆向排序呢？以年龄为主导，姓名为辅助：
df2.sort_values(['age','name'],ascending=False,,inplace = True)
age city
name
hong 18 杭州
zhang 17 上海
ming 17 北京
数据计算
加减乘除啥的我就不讲了吧，数值计算函数有：min、max、idxmin(最小值的索引)、inxmax、mean、sum、count
这些也不提了吧。
那我们来看些别的吧。
agg
agg函数，既可以作用于DataFrame，也可以作用于Series对象。
常用参数有：func：函数名称，或者函数名称列表。
演示一下？
演示一下：
# 创建含有空格的数据
dict1 = {"name": ["ming","hong","zhang"], "age": [17, 18, 17], "city": ["北京 ", "杭州", " 上海 "]}
df2 = pd.DataFrame(dict1, columns=["name", "age", "city"])
# 清除空格
df2["city"] = df2["city"].map(str.strip)
print(df2.age.agg(['max','min','mean','sum'])) # 一个一个没意思，直接一批吧
max 18.000000
min 17.000000
mean 17.333333
sum 52.000000
Name: age, dtype: float64
数据分析常用计算方法
describe方法
查看数值列的 计数、平均值、标准差、最小值、25/75百分位数、中位数、最大值
常用参数：include、exclude
数据还是上面的数据，然后我们来执行以下：
print(df2.describe().T) #这里的T是干嘛的，矩阵转置啊。
count mean std min 25% 50% 75% max
age 3.0 17.333333 0.57735 17.0 17.0 17.0 17.5 18.0
为什么要转置啊，因为上面这边数据量小啊，所以看着就不明显。
如果你这样指定了列：
print((df2.age).describe().T)
那你不用转了，转不转都没效果：
count 3.000000
mean 17.333333
std 0.577350
min 17.000000
25% 17.000000
50% 17.000000
75% 17.500000
max 18.000000
Name: age, dtype: float64
换个字符串列来试试看：
print((df2.name).describe().T)
这数据是啥意思就自己心领神会啦。
count 3
unique 3
top ming
freq 1
Name: name, dtype: object
value_counts方法
获取数据出现的频率。
value_counts是Series的方法，可以获取数据出现的次数。
常用参数：
normalize：将返回的值标准化，即所有返回值相加等于1。
sort：是否将返回的值排序，缺省按降序排序。
ascending：都懂
bins：对于数值型的数据类型，设置一个分组区间数量
查看年龄的分布情况：
print(df2.age.value_counts())
17 2
18 1
Name: age, dtype: int64
对数据分布进行一波标准化操作：
print(df2.age.value_counts(normalize=True))
17 0.666667
18 0.333333
Name: age, dtype: float64
设置区间段
（数据量磕碜了点哈）
print(df2.age.value_counts(bins=2))
(16.997999999999998, 17.5] 2
(17.5, 18.0] 1
Name: age, dtype: int64
分组与聚合计算
哎，我实在是受不了了，我要换大数据集了。
VX搜一下我的号，“Look Future”，回复飞机票数据拿一下数据集吧。（如果没有，跟我说一声儿）
分组
然后让我们先把数据读出来：
df1 = pd.read_csv('flights.csv')
df2 = pd.read_csv('airlines.csv') #早晚要读，那就一并读了吧
接下来，选取航班有延误的：
df1.loc[df1.ARR_DELAY>=0]
再通过航空公司进行分组：
df1.loc[df1.ARR_DELAY>=0].groupby('AIRLINE')
对每个航空公司的航班延误次数进行统计：
df1.loc[df1.ARR_DELAY>=0].groupby('AIRLINE').AIRLINE.count()
之后再对统计出的数据进行一次排序，并将最终结果赋值给一个变量：
df_delat = df1.loc[df1.ARR_DELAY>=0].groupby('AIRLINE').AIRLINE.count().sort_values(ascending=False)
AIRLINE
WN 3694
DL 3468
AA 3418
UA 3176
OO 2863
EV 2472
MQ 1367
NK 820
F9 643
US 638
VX 423
AS 262
B6 250
HA 57
Name: AIRLINE, dtype: int64
最终呈现出结果如上。
合并两列数据
这里可真的是，卡了我十分钟，也不知道是我读书不认真还是怎么肥四。。。
前面不是读了个航空公司信息嘛，我们刚刚不也得到了延误航班的基础数据嘛，但是那些航空公司代码，你看得懂？
反正我是看不懂。这时候就需要将两组数据进行一个合并：
刚开始我是写这样的：
import pandas as pd
import numpy as np
df1 = pd.read_csv('flights.csv')
df_delay = df1.loc[df1.ARR_DELAY>=0].groupby('AIRLINE').AIRLINE.count()
print(df_delay)
df2 = pd.read_csv('airlines.csv')
df2.set_index('IATA_CODE')
df2['delayed'] = df_delay
print(df2)
结果发现插入的列全是NaN。
于是我就想啊，是不是不能这样简单粗暴？于是我就换了一套方法：index。
就把赋值那一行代码改成这样了：
df2.insert(len(df2.columns),'delayed',df_delay)
好，运行，依旧不得行。
于是我怒了，我打开百度：
跟我说，是因为索引对不上。于是我把建立索引那一行去掉了，结果依旧是不行的。
直到后来，我看到了两个土办法：
import pandas as pd
import numpy as np
df1 = pd.read_csv('flights.csv')
df_delay = df1.loc[df1.ARR_DELAY>=0].groupby('AIRLINE').AIRLINE.count()
print(df_delay)
df2 = pd.read_csv('airlines.csv')
#df2.set_index('IATA_CODE')
df2['delayed'] = list(df_delay) #解决方案一
df2['delayed'] = df_delay.values #解决方案二
#df2.insert(len(df2.columns),'delayed',df_delay)
print(df2)
至于掺进agg进行混合计算，诸位自己试试哦。或者，下一篇的案例会出。
我歇会儿，起床后准备去参加华为鲲鹏的开发者技术峰会啦
