In [1]: import pandas as pd
- 泰坦尼克号数据
本教程使用泰坦尼克号数据集，存储为 CSV 格式。数据包含以下数据列
PassengerId：每个乘客的 ID。
Survived：指示乘客是否幸存。
0表示是，1表示否。Pclass：3 个票价等级之一：等级
1、等级2和等级3。Name：乘客姓名。
Sex：乘客性别。
Age：乘客年龄（以年为单位）。
SibSp：船上兄弟姐妹或配偶的人数。
Parch：船上父母或子女的人数。
票号：乘客的票号。
票价：指示票价。
客舱：乘客的客舱号。
登船港口：登船港口。
In [2]: titanic = pd.read_csv("data/titanic.csv") In [3]: titanic.head() Out[3]: PassengerId Survived Pclass ... Fare Cabin Embarked 0 1 0 3 ... 7.2500 NaN S 1 2 1 1 ... 71.2833 C85 C 2 3 1 3 ... 7.9250 NaN S 3 4 1 1 ... 53.1000 C123 S 4 5 0 3 ... 8.0500 NaN S [5 rows x 12 columns]
如何计算汇总统计量#
汇总统计量#
泰坦尼克号乘客的平均年龄是多少？
In [4]: titanic["Age"].mean() Out[4]: 29.69911764705882
不同的统计量可以应用于包含数值数据的列。一般来说，操作会排除缺失数据，并且默认情况下跨行操作。
泰坦尼克号乘客的中位年龄和票价中位数是多少？
In [5]: titanic[["Age", "Fare"]].median() Out[5]: Age 28.0000 Fare 14.4542 dtype: float64
应用于
DataFrame的多个列的统计量（选择两列会返回一个DataFrame，请参见 子集数据教程）是针对每个数值列计算的。
可以同时为多个列计算汇总统计量。还记得 第一个教程 中的 describe 函数吗？
In [6]: titanic[["Age", "Fare"]].describe()
Out[6]:
Age Fare
count 714.000000 891.000000
mean 29.699118 32.204208
std 14.526497 49.693429
min 0.420000 0.000000
25% 20.125000 7.910400
50% 28.000000 14.454200
75% 38.000000 31.000000
max 80.000000 512.329200
除了预定义的统计量之外，还可以使用 DataFrame.agg() 方法定义给定列的汇总统计量的特定组合。
In [7]: titanic.agg(
...: {
...: "Age": ["min", "max", "median", "skew"],
...: "Fare": ["min", "max", "median", "mean"],
...: }
...: )
...:
Out[7]:
Age Fare
min 0.420000 0.000000
max 80.000000 512.329200
median 28.000000 14.454200
skew 0.389108 NaN
mean NaN 32.204208
有关描述性统计量的详细信息，请参阅用户指南中关于 描述性统计量 的部分。
按类别分组的汇总统计量#
男性和女性泰坦尼克号乘客的平均年龄是多少？
In [8]: titanic[["Sex", "Age"]].groupby("Sex").mean() Out[8]: Age Sex female 27.915709 male 30.726645
由于我们感兴趣的是每个性别的平均年龄，因此首先对这两列进行子选择：
titanic[["Sex", "Age"]]。接下来，将groupby()方法应用于Sex列，以便为每个类别创建一个组。计算并返回每个性别的平均年龄。
计算给定统计量（例如，mean 年龄）针对列中的每个类别（例如，Sex 列中的男性/女性）是一种常见模式。groupby 方法用于支持此类操作。这符合更一般的 split-apply-combine 模式。
拆分数据为组
应用一个函数到每个独立的组
合并结果到一个数据结构
应用和合并步骤通常在 pandas 中一起完成。
在前面的例子中，我们首先显式地选择了 2 列。如果没有，mean 方法通过传递 numeric_only=True 应用于包含数值列的每一列
In [9]: titanic.groupby("Sex").mean(numeric_only=True)
Out[9]:
PassengerId Survived Pclass ... SibSp Parch Fare
Sex ...
female 431.028662 0.742038 2.159236 ... 0.694268 0.649682 44.479818
male 454.147314 0.188908 2.389948 ... 0.429809 0.235702 25.523893
[2 rows x 7 columns]
获取 Pclass 的平均值没有多大意义。如果我们只对每个性别的平均年龄感兴趣，那么对分组数据的列选择（通常使用方括号 []）也是支持的
In [10]: titanic.groupby("Sex")["Age"].mean()
Out[10]:
Sex
female 27.915709
male 30.726645
Name: Age, dtype: float64
注意
Pclass 列包含数值数据，但实际上代表 3 个类别（或因子），分别用标签 '1'、'2' 和 '3' 表示。对这些数据进行统计计算没有多大意义。因此，pandas 提供了 Categorical 数据类型来处理这种类型的数据。更多信息请参见用户指南 Categorical data 部分。
每个性别和客舱等级组合的平均票价是多少？
In [11]: titanic.groupby(["Sex", "Pclass"])["Fare"].mean() Out[11]: Sex Pclass female 1 106.125798 2 21.970121 3 16.118810 male 1 67.226127 2 19.741782 3 12.661633 Name: Fare, dtype: float64
分组可以同时通过多个列进行。将列名作为列表提供给
groupby()方法。
用户指南中提供了关于拆分-应用-合并方法的完整描述，请参见关于 groupby operations 的部分。
按类别统计记录数#
每个客舱等级有多少乘客？
In [12]: titanic["Pclass"].value_counts() Out[12]: Pclass 3 491 1 216 2 184 Name: count, dtype: int64
value_counts()方法统计列中每个类别的记录数。
该函数是一个快捷方式，因为它实际上是分组操作与每个组内记录数的计数相结合。
In [13]: titanic.groupby("Pclass")["Pclass"].count()
Out[13]:
Pclass
1 216
2 184
3 491
Name: Pclass, dtype: int64
注意
size 和 count 都可以与 groupby 结合使用。而 size 包含 NaN 值，只提供行数（表格的大小），count 排除缺失值。在 value_counts 方法中，使用 dropna 参数来包含或排除 NaN 值。
用户指南中专门介绍了 value_counts，请参见关于 discretization 的页面。
记住
聚合统计可以针对整个列或行进行计算。
groupby提供了拆分-应用-合并模式的功能。value_counts是一个方便的快捷方式，用于统计变量中每个类别中的条目数量。
关于拆分-应用-合并方法的完整描述，请参阅用户指南页面关于 分组操作。