20个案例详解 Pandas 当中的数据统计分析与排序

Posted 2022-02-01 AI科技大本营

作者 | 俊欣

来源 | 关于数据分析与可视化

今天小编来给大家讲一下Pandas模块当中的数据统计与排序，说到具体的就是value_counts()方法以及sort_values()方法。

value_counts()方法，顾名思义，主要是用于计算各个类别出现的次数的，而sort_values()方法则是对数值来进行排序，当然除了这些，还有很多大家不知道的衍生的功能等待被挖掘，下面小编就带大家一个一个的说过去。

导入模块并且读取数据库

我们这次用到的数据集是“非常有名”的泰坦尼克号的数据集，该数据源能够在很多平台上都能够找得到

import pandas as pd
df = pd.read_csv("titanic_train.csv")
df.head()

output

常规的用法

首先我们来看一下常规的用法，代码如下

df['Embarked'].value_counts()

output

S    644
C    168
Q     77
Name: Embarked, dtype: int64

下面我们简单来介绍一下value_counts()方法当中的参数，

DataFrame.value_counts(subset=None,
                       normalize=False,
                       sort=True,
                       ascending=False,
                       dropna=True)

常用到参数的具体解释为：

• subset: 表示根据什么字段或者索引来进行统计分析

• normalize: 返回的是比例而不是频次

• ascending: 降序还是升序来排

• dropna: 是否需要包含有空值的行

对数值进行排序

上面返回的结果是按照从大到小来进行排序的，当然我们也可以反过来，从小到大来进行排序，代码如下

df['Embarked'].value_counts(ascending=True)

output

Q     77
C    168
S    644
Name: Embarked, dtype: int64

对索引的字母进行排序

同时我们也可以对索引，按照字母表的顺序来进行排序，代码如下

df['Embarked'].value_counts(ascending=True).sort_index(ascending=True)

output

C    168
Q     77
S    644
Name: Embarked, dtype: int64

当中的ascending=True指的是升序排序

包含对空值的统计

默认的是value_counts()方法不会对空值进行统计，那要是我们也希望对空值进行统计的话，就可以加上dropna参数，代码如下

df['Embarked'].value_counts(dropna=False)

output

S      644
C      168
Q       77
NaN      2
Name: Embarked, dtype: int64

百分比式的数据统计

我们可以将数值的统计转化成百分比式的统计，可以更加直观地看到每一个类别的占比，代码如下

df['Embarked'].value_counts(normalize=True)

output

S    0.724409
C    0.188976
Q    0.086614
Name: Embarked, dtype: float64

要是我们希望对能够在后面加上一个百分比的符号，则需要在Pandas中加以设置，对数据的展示加以设置，代码如下

pd.set_option('display.float_format', ':.2%'.format)
df['Embarked'].value_counts(normalize = True)

output

S   72.44%
C   18.90%
Q    8.66%
Name: Embarked, dtype: float64

当然除此之外，我们还可以这么来做，代码如下

df['Embarked'].value_counts(normalize = True).to_frame().style.format(':.2%')

output

Embarked
S 72.44%
C 18.90%
Q 8.66%

连续型数据分箱

和Pandas模块当中的cut()方法相类似的在于，我们这里也可以将连续型数据进行分箱然后再来统计，代码如下

df['Fare'].value_counts(bins=3)

output

(-0.513, 170.776]     871
(170.776, 341.553]     17
(341.553, 512.329]      3
Name: Fare, dtype: int64

我们将Fare这一列同等份的分成3组然后再来进行统计，当然我们也可以自定义每一个分组的上限与下限，代码如下

df['Fare'].value_counts(bins=[-1, 20, 100, 550])

output

(-1.001, 20.0]    515
(20.0, 100.0]     323
(100.0, 550.0]     53
Name: Fare, dtype: int64

分组再统计

pandas模块当中的groupby()方法允许对数据集进行分组，它也可以和value_counts()方法联用更好地来进行统计分析，代码如下

df.groupby('Embarked')['Sex'].value_counts()

output

Embarked  Sex   
C         male       95
          female     73
Q         male       41
          female     36
S         male      441
          female    203
Name: Sex, dtype: int64

上面的代码是针对“Embarked”这一类别下的“Sex”特征进行分组，然后再进一步进行数据的统计分析，当然出来的结果是Series数据结构，要是我们想让Series的数据结果编程DataFrame数据结构，可以这么来做，

df.groupby('Embarked')['Sex'].value_counts().to_frame()

数据集的排序

下面我们来谈一下数据的排序，主要用到的是sort_values()方法，例如我们根据“年龄”这一列来进行排序，排序的方式为降序排，代码如下

df.sort_values("Age", ascending = False).head(10)

output

对行索引重新排序

我们看到排序过之后的DataFrame数据集行索引依然没有变，我们希望行索引依然可以是从0开始依次的递增，就可以这么来做，代码如下

df.sort_values("Age", ascending = False, ignore_index = True).head(10)

output

下面我们简单来介绍一下sort_values()方法当中的参数

DataFrame.sort_values(by, 
               axis=0, 
               ascending=True, 
               inplace=False, 
               kind='quicksort', 
               na_position='last', # last，first；默认是last
               ignore_index=False, 
               key=None)

常用到参数的具体解释为：

• by: 表示根据什么字段或者索引来进行排序，可以是一个或者是多个

• axis: 是水平方向排序还是垂直方向排序，默认是垂直方向

• ascending: 排序方式，是升序还是降序来排

• inplace: 是生成新的DataFrame还是在原有的基础上进行修改

• kind: 所用到的排序的算法，有快排quicksort或者是归并排序mergesort、堆排序heapsort等等

• ignore_index: 是否对行索引进行重新的排序

对多个字段的排序

我们还可以对多个字段进行排序，代码如下

df.sort_values(["Age", "Fare"], ascending = False).head(10)

output

同时我们也可以对不同的字段指定不同的排序方式，如下

df.sort_values(["Age", "Fare"], ascending = [False, True]).head(10)

output

我们可以看到在“Age”一样的情况下，“Fare”字段是按照升序的顺序来排

自定义排序

我们可以自定义一个函数方法，然后运用在sort_values()方法当中，让其按照自己写的方法来排序，我们看如下的这组数据

df = pd.DataFrame(
    'product': ['keyboard', 'mouse', 'desk', 'monitor', 'chair'],
    'category': ['C', 'C', 'O', 'C', 'O'],
    'year': [2002, 2002, 2005, 2001, 2003],
    'cost': ['$52', '$24', '$250', '$500', '$150'],
    'promotion_time': ['20hr', '30hr', '20hr', '20hr', '2hr'],
)

output

当中的“cost”这一列带有美元符号“$”，因此就会干扰排序的正常进行，我们使用lambda方法自定义一个函数方法运用在sort_value()当中

df.sort_values(
    'cost', 
    key=lambda val: val.str.replace('$', '').astype('float64')
)

output

当然我们还可以自定义一个更加复杂一点的函数，并且运用在sort_values()方法当中，代码如下

def sort_by_cost_time(x):
    if x.name == 'cost':
        return x.str.replace('$', '').astype('float64')
    elif x.name == 'promotion_time':
        return x.str.replace('hr', '').astype('int')
    else:
        return x
        
df.sort_values(
   ['year', 'promotion_time', 'cost'], 
   key=sort_by_cost_time
)

output

还有另外一种情况，例如我们遇到衣服的尺码，XS码、S码、M码、L码又或者是月份，Jan、Feb、Mar、Apr等等，需要我们自己去定义大小，这个时候我们需要用到的是CategoricalDtype

cat_size_order = CategoricalDtype(
    ['XS', 'S', 'M', 'L', 'XL'], 
    ordered=True
)
cat_size_order

output

CategoricalDtype(categories=['XS', 'S', 'M', 'L', 'XL'], ordered=True)

于是针对下面的数据

df = pd.DataFrame(
    'cloth_id': [1001, 1002, 1003, 1004, 1005, 1006],
    'size': ['S', 'XL', 'M', 'XS', 'L', 'S'],
)

output

我们将事先定义好的顺序应用到该数据集当中，代码如下

df['size'] = df['size'].astype(cat_size_order)
df.sort_values('size')

output

先通过astype()来转换数据类型，然后再进行排序

往

期

回

顾

技术

全面解析Kmeans聚类算法

资讯

商汤科技上市，开启AI新篇章

技术

2021年有用的数据清洗python库

资讯

这个AI模型火上GitHub热榜

分享

点收藏

点点赞

点在看