欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Pandas如何對(duì)Categorical類型字段數(shù)據(jù)統(tǒng)計(jì)實(shí)戰(zhàn)案例

 更新時(shí)間：2022年08月23日 11:31:16   作者：菜鳥實(shí)戰(zhàn)  
這篇文章主要介紹了Pandas如何對(duì)Categorical類型字段數(shù)據(jù)統(tǒng)計(jì)實(shí)戰(zhàn)案例，文章圍繞主題展開詳細(xì)的內(nèi)容介紹，具有一定的參考價(jià)值，需要的小伙伴可以參考一下

一、Pandas如何對(duì)Categorical類型字段數(shù)據(jù)統(tǒng)計(jì)

實(shí)戰(zhàn)場(chǎng)景：對(duì)Categorical類型字段數(shù)據(jù)統(tǒng)計(jì)，Categorical類型是Pandas擁有的一種特殊數(shù)據(jù)類型,這樣的類型可以包含基于整數(shù)的類別展示和編碼的數(shù)據(jù)

1.1主要知識(shí)點(diǎn)

  • 文件讀寫
  • 基礎(chǔ)語法
  • Pandas
  • read_csv

實(shí)戰(zhàn)：

1.2創(chuàng)建 python 文件

import pandas as pd
#讀取csv文件
df = pd.read_csv("Telco-Customer-Churn.csv")
?
# 填充 TotalCharges 的缺失值
median = df["TotalCharges"][df["TotalCharges"] != ' '].median()
df.loc[df["TotalCharges"] == ' ', 'TotalCharges'] = median
df["TotalCharges"] = df["TotalCharges"].astype(float)
?
# 將分類列轉(zhuǎn)換成 Categorical 類型
number_columns = ['tenure', 'MonthlyCharges', 'TotalCharges']
for column in number_columns: ?df[column] = df[column].astype(float) #對(duì)三列變成float類型
for column in set(df.columns) - set(number_columns): ?df[column] = pd.Categorical(df[column])
print(df.info())
print(df.describe(include=["category"]))

1.3運(yùn)行結(jié)果

RangeIndex: 7043 entries, 0 to 7042  
Data columns (total 21 columns):
 #   Column            Non-Null Count  Dtype
---  ------            --------------  -----
 0   customerID        7043 non-null   category
 1   gender            7043 non-null   category
 2   SeniorCitizen     7043 non-null   category
 3   Partner           7043 non-null   category
 4   Dependents        7043 non-null   category
 5   tenure            7043 non-null   float64
 6   PhoneService      7043 non-null   category
 7   MultipleLines     7043 non-null   category
 8   InternetService   7043 non-null   category
 9   OnlineSecurity    7043 non-null   category
 10  OnlineBackup      7043 non-null   category
 11  DeviceProtection  7043 non-null   category
 12  TechSupport       7043 non-null   category
 13  StreamingTV       7043 non-null   category
 14  StreamingMovies   7043 non-null   category
 15  Contract          7043 non-null   category
 16  PaperlessBilling  7043 non-null   category
 17  PaymentMethod     7043 non-null   category
 18  MonthlyCharges    7043 non-null   float64
 19  TotalCharges      7043 non-null   float64
 20  Churn             7043 non-null   category
dtypes: category(18), float64(3)
memory usage: 611.1 KB
None
        customerID gender  SeniorCitizen Partner  ...        Contract PaperlessBilling     PaymentMethod Churn      
count         7043   7043           7043    7043  ...            7043             7043              7043  7043      
unique        7043      2              2       2  ...               3                2                 4     2      
top     0002-ORFBO   Male              0      No  ...  Month-to-month              Yes  Electronic check    No      
freq             1   3555           5901    3641  ...            3875             4171              2365  5174      

[4 rows x 18 columns] 

二、Pandas如何從股票數(shù)據(jù)找出收盤價(jià)最低行

實(shí)戰(zhàn)場(chǎng)景：Pandas如何從股票數(shù)據(jù)找出收盤價(jià)最低行

2.1主要知識(shí)點(diǎn)

  • 文件讀寫
  • 基礎(chǔ)語法
  • Pandas
  • read_csv

2.2創(chuàng)建 python 文件

"""
數(shù)據(jù)是CSV格式
1、加載到dataframe
2、找出收盤價(jià)最低的索引
3、根據(jù)索引找出數(shù)據(jù)行4 打印結(jié)果數(shù)據(jù)行
"""
import pandas as pd
?
df = pd.read_csv("./00700.HK.csv")
df["Date"] = pd.to_datetime(df["Date"])
df["Year"] = df["Date"].dt.year
df["Month"] = df["Date"].dt.month
print(df)
print(df.groupby("Year")["Close"].mean())
print(df.describe())

2.3運(yùn)行結(jié)果

     Date     Open     High      Low    Close     Volume  Year  Month
0    2021-09-30  456.000  464.600  453.800  461.400   17335451  2021      9
1    2021-09-29  461.600  465.000  450.200  465.000   18250450  2021      9
2    2021-09-28  467.000  476.200  464.600  469.800   20947276  2021      9
3    2021-09-27  459.000  473.000  455.200  464.600   17966998  2021      9
4    2021-09-24  461.400  473.400  456.200  460.200   16656914  2021      9
...         ...      ...      ...      ...      ...        ...   ...    ...
4262 2004-06-23    4.050    4.450    4.025    4.425   55016000  2004      6
4263 2004-06-21    4.125    4.125    3.950    4.000   22817000  2004      6
4264 2004-06-18    4.200    4.250    3.950    4.025   36598000  2004      6
4265 2004-06-17    4.150    4.375    4.125    4.225   83801500  2004      6
4266 2004-06-16    4.375    4.625    4.075    4.150  439775000  2004      6

[4267 rows x 8 columns]
Year
2004      4.338686
2005      6.568927
2006     15.865951
2007     37.882724
2008     54.818367
2009     96.369679
2010    157.299598
2011    189.737398
2012    228.987045
2013    337.136066
2014    271.291498
2015    144.824291
2016    176.562041
2017    291.066667
2018    372.678862
2019    346.225203
2020    479.141129
2021    586.649189
Name: Close, dtype: float64

三、Pandas如何給股票數(shù)據(jù)新增年份和月份

實(shí)戰(zhàn)場(chǎng)景：Pandas如何給股票數(shù)據(jù)新增年份和月份

3.1主要知識(shí)點(diǎn)

 

  • 文件讀寫
  • 基礎(chǔ)語法
  • Pandas
  • Pandas的Series對(duì)象
  • DataFrame

實(shí)戰(zhàn):

3.2創(chuàng)建 python 文件

"""
給股票數(shù)據(jù)新增年份和月份
"""
import pandas as pd
?
df = pd.read_csv("./00100.csv")
print(df)
?
# to_datetime變成時(shí)間類型
df["Date"] = pd.to_datetime(df["Date"])
df["Year"] = df["Date"].dt.year
df["Month"] = df["Date"].dt.month
?
print(df)

3.3運(yùn)行結(jié)果

            Date     Open     High      Low    Close     Volume
0     2021-09-30  456.000  464.600  453.800  461.400   17335451
1     2021-09-29  461.600  465.000  450.200  465.000   18250450
2     2021-09-28  467.000  476.200  464.600  469.800   20947276
3     2021-09-27  459.000  473.000  455.200  464.600   17966998
4     2021-09-24  461.400  473.400  456.200  460.200   16656914
...          ...      ...      ...      ...      ...        ...
4262  2004-06-23    4.050    4.450    4.025    4.425   55016000
4263  2004-06-21    4.125    4.125    3.950    4.000   22817000
4264  2004-06-18    4.200    4.250    3.950    4.025   36598000
4265  2004-06-17    4.150    4.375    4.125    4.225   83801500
4266  2004-06-16    4.375    4.625    4.075    4.150  439775000

[4267 rows x 6 columns]
           Date     Open     High      Low    Close     Volume  Year  Month
0    2021-09-30  456.000  464.600  453.800  461.400   17335451  2021      9
1    2021-09-29  461.600  465.000  450.200  465.000   18250450  2021      9
2    2021-09-28  467.000  476.200  464.600  469.800   20947276  2021      9
3    2021-09-27  459.000  473.000  455.200  464.600   17966998  2021      9
4    2021-09-24  461.400  473.400  456.200  460.200   16656914  2021      9
...         ...      ...      ...      ...      ...        ...   ...    ...
4262 2004-06-23    4.050    4.450    4.025    4.425   55016000  2004      6
4263 2004-06-21    4.125    4.125    3.950    4.000   22817000  2004      6
4264 2004-06-18    4.200    4.250    3.950    4.025   36598000  2004      6
4265 2004-06-17    4.150    4.375    4.125    4.225   83801500  2004      6
4266 2004-06-16    4.375    4.625    4.075    4.150  439775000  2004      6

[4267 rows x 8 columns]

四、Pandas如何獲取表格的信息和基本數(shù)據(jù)統(tǒng)計(jì)

實(shí)戰(zhàn)場(chǎng)景：Pandas如何獲取表格的信息和基本數(shù)據(jù)統(tǒng)計(jì)

4.1主要知識(shí)點(diǎn)

  • 文件讀寫
  • 基礎(chǔ)語法
  • Pandas
  • Pandas的Series對(duì)象
  • numpy

實(shí)戰(zhàn)：

4.2創(chuàng)建 python 文件

import pandas as pd
import numpy as np
?
df = pd.DataFrame( ?data={ ?"norm": np.random.normal(loc=0, scale=1, size=1000), ?"uniform": np.random.uniform(low=0, high=1, size=1000), ?"binomial": np.random.binomial(n=1, p=0.2, size=1000)}, ?index=pd.date_range(start='2021-01-01', periods=1000))
?
# df.info(),查看多少行，多少列，類型等基本信息
# df.describe()，查看每列的平均值、最小值、最大值、中位數(shù)等統(tǒng)計(jì)信息;
print(df.info())
print()
print(df.describe())

4.3運(yùn)行結(jié)果  

DatetimeIndex: 1000 entries, 2021-01-01 to 2023-09-27
Freq: D
Data columns (total 3 columns):
 #   Column    Non-Null Count  Dtype
---  ------    --------------  -----
 0   norm      1000 non-null   float64
 1   uniform   1000 non-null   float64
 2   binomial  1000 non-null   int32
dtypes: float64(2), int32(1)
memory usage: 27.3 KB
None

              norm      uniform     binomial
count  1000.000000  1000.000000  1000.000000
mean     -0.028664     0.496156     0.215000
std       0.987493     0.292747     0.411028
min      -3.110249     0.000629     0.000000
25%      -0.697858     0.238848     0.000000
50%      -0.023654     0.503438     0.000000
75%       0.652157     0.746672     0.000000
max       3.333271     0.997617     1.000000

五、Pandas如何使用日期和隨機(jī)數(shù)生成表格數(shù)據(jù)類型

實(shí)戰(zhàn)場(chǎng)景：Pandas如何使用日期和隨機(jī)數(shù)生成表格數(shù)據(jù)類型

5.1主要知識(shí)點(diǎn)

  • 文件讀寫
  • 基礎(chǔ)語法
  • Pandas
  • Pandas的Series對(duì)象
  • numpy

實(shí)戰(zhàn)：

5.2創(chuàng)建 python 文件

"""
輸出:一個(gè)DataFrame，包含三列
1000個(gè)日期作為索引:從2021-01-01開始
數(shù)據(jù)列:正態(tài)分布1000個(gè)隨機(jī)數(shù)，loc=0，scale=1
數(shù)據(jù)列:均勻分布1000個(gè)隨機(jī)數(shù)，low=0，high=1
數(shù)據(jù)列:二項(xiàng)分布1000個(gè)隨機(jī)數(shù)，n=1，p=0.2
"""
?
import pandas as pd
import numpy as np
?
#生成索引列，1000天
date_range = pd.date_range(start='2021-01-01', periods=1000)
?
data = { ?'norm': np.random.normal(loc=0, scale=1, size=1000), ?'uniform': np.random.uniform(low=0, high=1, size=1000), ?'binomial': np.random.binomial(n=1, p=0.2, size=1000)
}
df = pd.DataFrame(data=data, index=date_range)
print(df)

5.3運(yùn)行結(jié)果 

                norm   uniform  binomial
2021-01-01  1.387663  0.223985         0
2021-01-02  2.080345  0.704094         0
2021-01-03  1.615880  0.012283         0
2021-01-04  0.523260  0.053396         0
2021-01-05 -0.872305  0.973047         0
...              ...       ...       ...
2023-09-23 -1.601608  0.423913         0
2023-09-24 -0.712566  0.727326         1
2023-09-25 -0.188441  0.879798         0
2023-09-26  2.249404  0.229298         0
2023-09-27  2.132976  0.472873         0

[1000 rows x 3 columns]

到此這篇關(guān)于Pandas如何對(duì)Categorical類型字段數(shù)據(jù)統(tǒng)計(jì)實(shí)戰(zhàn)案例的文章就介紹到這了,更多相關(guān)Pandas Categorical數(shù)據(jù)統(tǒng)計(jì)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

相關(guān)文章

  • 基于Pydantic封裝的通用模型在API請(qǐng)求驗(yàn)證中的應(yīng)用詳解

    基于Pydantic封裝的通用模型在API請(qǐng)求驗(yàn)證中的應(yīng)用詳解

    這篇文章主要介紹了基于Pydantic封裝的通用模型在API請(qǐng)求驗(yàn)證中的應(yīng)用詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步早日升職加薪
    2023-05-05
  • python 出現(xiàn)SyntaxError: non-keyword arg after keyword arg錯(cuò)誤解決辦法

    python 出現(xiàn)SyntaxError: non-keyword arg after keyword arg錯(cuò)誤解決辦

    這篇文章主要介紹了python 出現(xiàn)SyntaxError: non-keyword arg after keyword arg錯(cuò)誤解決辦法的相關(guān)資料,需要的朋友可以參考下
    2017-02-02
  • Python數(shù)學(xué)建模StatsModels統(tǒng)計(jì)回歸可視化示例詳解

    Python數(shù)學(xué)建模StatsModels統(tǒng)計(jì)回歸可視化示例詳解

    圖形總是比數(shù)據(jù)更加醒目、直觀。解決統(tǒng)計(jì)回歸問題，無論在分析問題的過程中，還是在結(jié)果的呈現(xiàn)和發(fā)表時(shí)，都需要可視化工具的幫助和支持
    2021-10-10
  • Python在報(bào)表自動(dòng)化的優(yōu)勢(shì)及實(shí)現(xiàn)流程

    Python在報(bào)表自動(dòng)化的優(yōu)勢(shì)及實(shí)現(xiàn)流程

    本文利用Python實(shí)現(xiàn)報(bào)表自動(dòng)化,通過介紹環(huán)境設(shè)置、數(shù)據(jù)收集和準(zhǔn)備、報(bào)表生成以及自動(dòng)化流程,展示Python的靈活性和豐富的生態(tài)系統(tǒng)在報(bào)表自動(dòng)化中的卓越表現(xiàn),從設(shè)置虛擬環(huán)境到使用Pandas和Matplotlib處理數(shù)據(jù),到借助APScheduler實(shí)現(xiàn)定期自動(dòng)化,每個(gè)步驟都得到詳盡闡述
    2023-12-12
  • 一文詳解如何使用Python批量拼接圖片

    一文詳解如何使用Python批量拼接圖片

    這篇文章主要給大家介紹了關(guān)于如何使用Python批量拼接圖片的相關(guān)資料,文中主要用的是PIL庫,PIL庫是一個(gè)具有強(qiáng)大圖像處理能力的第三方庫,不僅包含了豐富的像素、色彩操作功能,還可以用于圖像歸檔和批量處理,需要的朋友可以參考下
    2023-05-05
  • Pytorch之如何dropout避免過擬合

    Pytorch之如何dropout避免過擬合

    這篇文章主要介紹了Pytorch 如何dropout避免過擬合的操作，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教
    2021-06-06
  • Django集成百度富文本編輯器uEditor攻略

    Django集成百度富文本編輯器uEditor攻略

    UEditor是由百度web前端研發(fā)部開發(fā)所見即所得富文本web編輯器，具有輕量，可定制，注重用戶體驗(yàn)等特點(diǎn)，開源基于MIT協(xié)議，允許自由使用和修改代碼。
    2014-07-07
  • python繪制箱型圖

    python繪制箱型圖

    這篇文章主要為大家詳細(xì)介紹了python繪制箱型圖，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下
    2021-04-04
  • 5種Python單例模式的實(shí)現(xiàn)方式

    5種Python單例模式的實(shí)現(xiàn)方式

    這篇文章主要為大家介紹了5種Python單例模式的實(shí)現(xiàn)方式，所謂單例，是指一個(gè)類的實(shí)例從始至終只能被創(chuàng)建一次，對(duì)單例感興趣的小伙伴們可以參考一下
    2016-01-01
  • python實(shí)現(xiàn)可以斷點(diǎn)續(xù)傳和并發(fā)的ftp程序

    python實(shí)現(xiàn)可以斷點(diǎn)續(xù)傳和并發(fā)的ftp程序

    斷點(diǎn)續(xù)傳和并發(fā)是現(xiàn)在很多ftp程序都支持的功能，如果我們用python如何來做斷點(diǎn)續(xù)傳和并發(fā)了，今天來看一篇python實(shí)現(xiàn)斷點(diǎn)續(xù)傳和并發(fā)的ftp程序例子吧，具體如下。
    2016-09-09

最新評(píng)論