本次实验内容为酒类销售数据的分析，数据请见：https://pan.baidu.com/s/1tL7FE5lxs-gb6Phf8XRu_Q，文件夹：data_analysis，下面的文件：drinks.csv 本次实验主要是对python中的数据进行基本操作。
代码为：
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import pandas as pd
# 探索酒类消费数据,主要考查分组聚合的使用
# 1. 将数据框命名为drinks
#drinks = pd.read_csv('data_analysis/drinks.csv',index_col=0) #指定具体列作为数据框的行索引
drinks = pd.read_csv('data_analysis/drinks.csv')
#2. 哪个大陆(continent)平均消耗的啤酒(beer)更多？
drinks.groupby('continent').agg({'beer_servings': 'mean'}).idxmax() #取出具体的大陆
mid = drinks.groupby('continent').agg({'beer_servings': 'mean'}) #分组聚合的结果
print(mid)
mid.loc['EU']
# 3. 打印出每个大陆(continent)的红酒消耗(wine_servings)的描述性统计值。
drinks.groupby('continent').agg({'wine_servings': 'describe'}) # 描述性统计信息里面包括count、mean、std、min、25%、50%、75%、max
drinks.groupby('continent')['wine_servings'].describe()
# 4. 打印出每个大陆每种酒类别的消耗平均值。
drinks.groupby('continent').mean()
drinks.groupby('continent').agg('mean')
drinks.groupby('continent').agg(['mean', 'max', 'std'])
# 5. 打印出每个大陆每种酒类别的消耗中位数。
drinks.groupby('continent').median()
# 6. 打印出每个大陆对spirit_servings饮品消耗的平均值，最大值和最小值。
drinks.groupby('continent').agg({'spirit_servings': ['mean', 'max', 'min']})
文件‘drinks.csv’中的数据截图为：
运行结果截图如下所示：
