0105-【课程实战】-Python数据分析炒菜-第8章-开始烹调——数据运算

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/leadingsci/article/details/89303866

---

8.1 算术运算

import pandas as pd
import numpy as np

df = pd.read_csv(r"C:\Users\leadi\Python\01.python\input\train-pivot.csv",encoding="gbk")
df
df = df.drop(labels=["用户ID","客户分类","区域","是否省会"],axis = 1)
df = df.rename(columns = {"7月销量":"C1","8月销量":"C2","9月销量":"C3"})
df

相加

df["C1"] + df["C2"]

输出
0    26
1    64
2     9
3    15
4    21
dtype: int64

相减

df["C1"] - df["C2"]

相乘

df["C1"] * df["C2"]

相除

df["C1"] / df["C2"]

输出
0    0.30000
1    1.37037
2    8.00000
3    0.87500
4    0.75000
dtype: float64

相加 固定值

df["C1"] +2

输出
0     8
1    39
2    10
3     9
4    11
Name: C1, dtype: int64

---

8.2 比较运算

df["C1"] > df["C2"]

0    False
1     True
2     True
3    False
4    False
dtype: bool

• <
• =
• !=

---

8.3 汇总运算

8.3.1 count非空值计数

df.count()

输出，默认为列计算
C1    5
C2    5
C3    5
dtype: int64

计算每一列的非空值个数

df.count(axis = 0) # 默认

计算每一行的非空值个数

df.count(axis = 1)

输出
0    3
1    3
2    3
3    3
4    3
dtype: int64

8.3.2 sum求和

df.sum()

输出，默认为列求和
C1    67
C2    68
C3    61
dtype: int64

行求和

df.sum(axis =1)

输出
0    26
1    99
2    17
3    29
4    25
dtype: int64

某列求和

df["C1"].sum()

输出
67

8.3.3 mean求均值

df.mean()

# 输出，默认为列求值
C1    13.4
C2    13.6
C3    12.2
dtype: float64

行求均值

df.mean(axis = 1)

输出
0     8.666667
1    33.000000
2     5.666667
3     9.666667
4     8.333333
dtype: float64

某列求均值

df["C1"].mean()

输出
13.4

8.3.4 求最大值

求某列

df.max() # 求列
df.max(axis =1) # 求行
df["C1"].max() # 某列

8.3.5 求最小值

df.min

8.3.6 median 求中位数

df.median

8.3.7 mode求众数

df.mode()

8.3.8 var求方差

df.var()

8.3.9 std求标准差

df.std()

8.3.10 quantile 求分位数

df.quantile()

df.quantile()

输出
C1     8.0
C2    12.0
C3     8.0
Name: 0.5, dtype: float64

df.quantile(0)
df.quantile(0.25)
df.quantile(0.75)
df.quantile(1)

---

8.4 相关性运算

相关性常用来衡量两个事物之间的相关程度，越接近1，越强；

两两之间的相关性

df.corr()