【愚公系列】《Python网络爬虫从入门到精通》034-DataFrame简单数据计算整理
【摘要】 标题详情作者简介愚公搬代码头衔华为云特约编辑，华为云云享专家，华为开发者专家，华为产品云测专家，CSDN博客专家，CSDN商业化专家，阿里云专家博主，阿里云签约作者，腾讯云优秀博主，腾讯云内容共创官，掘金优秀博主，亚马逊技领云博主，51CTO博客专家等。近期荣誉2022年度博客之星TOP2，2023年度博客之星TOP2，2022年华为云十佳博主，2023年华为云十佳博主，2024年华为云十佳...
| 标题 | 详情 |
|---|---|
| 作者简介 | 愚公搬代码 |
| 头衔 | 华为云特约编辑，华为云云享专家，华为开发者专家，华为产品云测专家，CSDN博客专家，CSDN商业化专家，阿里云专家博主，阿里云签约作者，腾讯云优秀博主，腾讯云内容共创官，掘金优秀博主，亚马逊技领云博主，51CTO博客专家等。 |
| 近期荣誉 | 2022年度博客之星TOP2，2023年度博客之星TOP2，2022年华为云十佳博主，2023年华为云十佳博主，2024年华为云十佳博主等。 |
| 博客内容 | .NET、Java、Python、Go、Node、前端、IOS、Android、鸿蒙、Linux、物联网、网络安全、大数据、人工智能、U3D游戏、小程序等相关领域知识。 |
| 欢迎 | 👍点赞、✍评论、⭐收藏 |
🚀前言
在数据分析的过程中，数据的计算与整理是至关重要的步骤。对于使用Pandas库的分析师而言，DataFrame不仅是数据存储的工具，更是进行各种计算和整理的强大助手。通过简单的数据计算，我们可以快速得出有价值的洞察，帮助我们更好地理解数据背后的趋势与模式。
本文将重点介绍如何在DataFrame中进行简单的数据计算与整理，包括基本的统计计算、分组汇总、数据透视等操作。我们将通过实际案例，展示如何利用Pandas的强大功能来快速处理和分析数据，让复杂的计算变得简单直观。
🚀一、DataFrame简单数据计算整理
🔎1.求和（sum函数）
功能：计算行或列的数据总和。
🦋1.1 语法与参数
DataFrame.sum(axis=0, skipna=True, level=None)
| 参数 | 说明 |
|---|---|
axis |
0 按列求和（默认），1 按行求和 |
skipna |
True 自动忽略 NaN（默认），False 包含 NaN（结果为 NaN） |
level |
多层索引时指定层级（默认 None） |
🦋1.2 示例代码
import pandas as pd
# 数据准备
data = [[110, 105, 99], [105, 88, 115], [109, 120, 130]]
index = [1, 2, 3]
columns = ['语文', '数学', '英语']
df = pd.DataFrame(data=data, index=index, columns=columns)
# 按行计算总成绩（新增列）
df['总成绩'] = df.sum(axis=1)
print(df)
在这里插入图片描述
🔎2.求均值（mean函数）
功能：计算行或列的数据平均值。
🦋2.1 语法与参数
DataFrame.mean(axis=0, skipna=True, level=None)
参数同 sum 函数。
🦋2.2 示例代码
import pandas as pd
#解决数据输出时列名不对齐的问题
pd.set_option('display.unicode.east_asian_width', True)
data = [[110,105,99],[105,88,115],[109,120,130],[112,115]]
index = [1,2,3,4]
columns = ['语文','数学','英语']
df = pd.DataFrame(data=data, index=index, columns=columns)
new=df.mean()
#增加一行数据（语文、数学和英语的平均值,忽略索引）
df=df._append(new,ignore_index=True)
print(df)
在这里插入图片描述
🔎3.求最大值（max函数）
功能：计算行或列的数据最大值。
🦋3.1 语法与参数
DataFrame.max(axis=0, skipna=True, level=None)
参数同 sum 函数。
🦋3.2 示例代码
import pandas as pd
#解决数据输出时列名不对齐的问题
pd.set_option('display.unicode.east_asian_width', True)
data = [[110,105,99],[105,88,115],[109,120,130],[112,115]]
index = [1,2,3,4]
columns = ['语文','数学','英语']
df = pd.DataFrame(data=data, index=index, columns=columns)
new=df.max()
#增加一行数据（语文、数学和英语的最大值,忽略索引）
df=df._append(new,ignore_index=True)
print(df)
在这里插入图片描述
🔎4.求最小值（min函数）
功能：计算行或列的数据最小值。
🦋4.1 语法与参数
DataFrame.min(axis=0, skipna=True, level=None)
参数同 sum 函数。
🦋4.2 示例代码
import pandas as pd
#解决数据输出时列名不对齐的问题
pd.set_option('display.unicode.east_asian_width', True)
data = [[110,105,99],[105,88,115],[109,120,130],[112,115]]
index = [1,2,3,4]
columns = ['语文','数学','英语']
df = pd.DataFrame(data=data, index=index, columns=columns)
new=df.min()
#增加一行数据（语文、数学和英语的最小值,忽略索引）
df=df._append(new,ignore_index=True)
print(df)
在这里插入图片描述
🔎5.注意事项
-
append方法弃用：
Pandas 2.0+ 已弃用df.append()，改用pd.concat([df, new_row])。# 正确写法（替代 append） df = pd.concat([df, new_values.to_frame().T], ignore_index=True) -
缺失值处理：
-
skipna=True时自动忽略缺失值计算（默认）。 -
若数据含 NaN 且 skipna=False，计算结果为 NaN。
-
-
数据类型一致性：
非数值列（如字符串）无法计算统计值，默认自动忽略。 -
多层索引处理：
使用level参数可指定多层索引的层级进行计算。
🔎6.扩展函数
| 函数 | 功能 | 示例代码 |
|---|---|---|
median() |
计算中位数 | df.median(axis=0) |
mode() |
计算众数 | df.mode(axis=0) |
std() |
计算标准差 | df.std(axis=0) |
var() |
计算方差 | df.var(axis=0) |
【声明】本内容来自华为云开发者社区博主，不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源（华为云社区）、文章链接、文章作者等基本信息，否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论（0）