系列文章目录

Python数据分析入门笔记1——学习前的准备

Python数据分析入门笔记2——pandas数据读取

Python数据分析入门笔记3——数据预处理之缺失值

Python数据分析入门笔记4——数据预处理之重复值

Python数据分析入门笔记5——数据预处理之异常值

Python数据分析入门笔记6——数据清理案例练习

Python数据分析入门笔记7——数据集成、变换与规约

Python数据分析入门笔记8——Pandas处理日期时间类型数据

Python数据分析入门笔记9——数据预处理案例综合练习（男篮女篮运动员）

---

---

预备知识：

---

一、任务说明

现有一张保存了学生信息的表格，具体如下所示：

按要求操作表格中的数据，具体如下：
（1） 根据表格，创建一个DataFrame类对象。
（2） 根据“年级”列分组，并输出大一年级的学生信息。
（3） 计算出每个年级中身高最高的学生。
（4） 计算大一学生与大三学生的平均体重。

二、任务分解

1. 根据表数据创建一个DataFrame类对象

提示：构造方法如下：

pandas.DataFrame(data=None, index=None, columns=None, dtype=None, copy=False)
其中，data表示传入的数据，columns表示列索引，index表示行索引，这是最常用的三个参数，行索引和列索引默认为从0开始的整数。

抛砖引玉案例：若有表格如下：

（1）方法1：先观察，有列标题，没有特定行标题，因此只需要传入data和columns即可。参考代码如下：

import pandas as pd
import numpy as np
df=pd.DataFrame(columns=['序号','姓名','性别','年龄','住址'],
                data=[['S1','张三','男',15,np.nan],
                     ['S2','李四','男',16,np.nan],
                     ['S3','王五','女',15,np.nan],
                     ['S4','赵六','男',14,np.nan]
                     ]
               )

（2）方法2：由于只有列标题，因此，还可以用逐列的方式来创建，参考代码如下：

import pandas as pd
import numpy as np #要使用NaN,NAN或nan都必须导入Numpy库
df=pd.DataFrame({'序号':['S1','S2','S3','S4'],
                '姓名':['张三','李四','王五','赵六'],
                '性别':['男','男','女','男'],
                '年龄':[15,16,15,14],
                '住址':[np.nan,np.nan,np.nan,np.nan]
                })

思考1：对于本例学生信息表，要用哪种方式创建呢？要怎样改？

2. 根据“年级”分组，并输出大一同学信息——groupby()

抛砖引玉案例：以上示例中根据性别分组的代码如下：

groups1=df.groupby("性别")
# 注意，分组之后得到的结果，需要用一个for循环遍历读取
for i in groups1:
    print(i)

运行结果如下：

思考2-1：对于本例学生信息分析，要如何按年级分组，如何验证分组是否正确？
思考2-2：若只想拿到大一年级的数据，如何筛选出来呢？

3. 输出每个年级中身高最高的学生信息——max和apply

抛砖引玉案例：按性别分组之后，需要取“年龄”列，然后就可以用内置函数输出每个组中的最小年龄了。

• 方法1：直接调用min函数

df.groupby(by="性别")['年龄'].min()

注意：若min()函数无法使用，可以用df.info()来查看各属性的数据类型，必须是数值类型才可以进行最大值max、最小值min、平均值min等统计操作。

• 方法2：用apply方法，使用内置函数，单独把年龄列拿出来再调用min函数

groups2=df.groupby(by="性别")['年龄']
groups2.apply(min)

【拓展】apply函数用法待补充。
思考3：对于本例，要如何输出每个年级中身高最高的学生信息？

4.计算大一学生与大三学生的平均体重——平均数mean()和四舍五入round()

【子任务1】用mean()函数来计算每个年级学生的平均体重。

data2 = student_info.groupby(by='年级')['体重（kg）'].mean()
print(data2)

【子任务2】对平均体重进行四舍五入操作。
提示：round(要操作的数据列.mean(),2)代表四舍五入保留两位小数。

【子任务3】若要针对大一和大三这两个年级计算，怎么取到对应数据呢？
提示：可以用get_group()方法。也可以用字典dict。
【子任务4】格式化输出，例如：大一学生平均体重为：58.50kg。
提示：格式化输出待补充。

三、参考答案（书中配套答案）

（1）根据表格，创建一个DataFrame类对象。

import pandas as pd
student_info = pd.DataFrame({"年级":['大一','大二','大三','大四',
                                   '大二','大三','大一','大三','大四'],
                            "姓名":['李宏卓','李思真','张振海','赵鸿飞',
                                  '白蓉','马腾飞','张晓凡','金紫萱','金烨'],
                            "年龄":[18,19,20,21,19,20,18,20,21],
                            "性别":['男','女','男','男','女',
                                  '男','女','女','男'],
                            "身高（cm）":[175,165,178,175,160,180,167,170,185],
                            "体重（kg）":[65,60,70,75,55,70,52,53,73]})
print(student_info)     

（2）根据“年级”列分组，并输出大一年级的学生信息。

data = student_info.groupby(by='年级')
result = dict([x for x in data])['大一']
print(result)

（3）计算出每个年级中身高最高的学生。

data.apply(max)

（4）计算大一学生与大三学生的平均体重。

# 大一学生平均体重
freshmen = dict([x for x in data])['大一']
freshmen_weight = str(freshmen['体重（kg）'].mean())+'kg'
print(f"大一学生平均体重为：{freshmen_weight}")
# 大三学生平均体重
junior = dict([x for x in data])['大三']
# 保留一位小数
junior_weight = str(round(junior['体重（kg）'].mean(),2))+'kg'
print(f"大三学生平均体重为：{junior_weight}")

---

总结

（2）中的字典，和（4）中的这个数字转字符串再加kg的操作，我有点看不太明白，（4）的代码总觉得复杂化了。

本文中任务分解部分为原创，案例及参考答案来自：人民邮电出版社，黑马程序员主编的《Python数据预处理》

新手上路，如有疏漏，欢迎指正！