In [1]: import pandas as pd
- Titanic 数据
本教程使用 Titanic 数据集，存储为 CSV 文件。数据包含以下数据列
PassengerId: 每位乘客的 ID。
Survived: 指示乘客是否幸存。
0表示是，1表示否。Pclass: 3 种票类之一：Class
1、Class2和 Class3。Name: 乘客姓名。
Sex: 乘客性别。
Age: 乘客年龄（岁）。
SibSp: 同行兄弟姐妹或配偶人数。
Parch: 同行父母或子女人数。
Ticket: 乘客票号。
Fare: 票价。
Cabin: 乘客舱位号。
Embarked: 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#
聚合统计量#
Titanic 乘客的平均年龄是多少？
In [4]: titanic["Age"].mean() Out[4]: 29.69911764705882
可以对包含数值数据的列应用不同的统计量。操作通常默认排除缺失数据并在行方向上进行。
Titanic 乘客年龄和票价的中位数是多少？
In [5]: titanic[["Age", "Fare"]].median() Out[5]: Age 28.0000 Fare 14.4542 dtype: float64
应用于
DataFrame多列的统计量（选择两列会返回一个DataFrame，请参阅 子集数据教程）会针对每个数值列进行计算。
可以同时计算多列的聚合统计量。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，还可以使用 DataFrame.agg() 方法定义给定列的特定聚合统计量组合。
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
用户指南的 描述性统计 部分提供了有关描述性统计的详细信息。
按类别分组聚合统计量#
男性与女性 Titanic 乘客的平均年龄分别是多少？
In [8]: titanic[["Sex", "Age"]].groupby("Sex").mean() Out[8]: Age Sex female 27.915709 male 30.726645
由于我们关注的是每个性别的平均年龄，首先对这两列进行子选择：
titanic[["Sex", "Age"]]。接下来，在Sex列上应用groupby()方法，为每个类别创建一个组。然后计算并返回 每个性别 的平均年龄。
计算 列中每个类别 的给定统计量（例如，Sex 列中的男性/女性的 mean 年龄）是一个常见的模式。groupby 方法用于支持此类操作。这符合更通用的 split-apply-combine 模式。
拆分 数据到组
独立地 应用 函数到每个组
合并 结果到数据结构
apply 和 combine 步骤通常在 pandas 中一起完成。
在前面的示例中，我们首先显式选择了这两列。如果没有显式选择，mean 方法会通过传入 numeric_only=True 应用于每个包含数值数据的列。
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 的平均值意义不大。如果我们只对每个性别的平均年龄感兴趣，也可以在分组后的数据上进行列选择（照常使用方括号 []）。
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），标签分别为 '1'、'2' 和 '3'。计算这些类别的统计量意义不大。因此，pandas 提供 Categorical 数据类型来处理这种类型的数据。更多信息请参阅用户指南的 Categorical 数据 部分。
每种性别和舱位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
可以同时按多列进行分组。将列名列表提供给
groupby()方法。
用户指南的 groupby 操作 部分提供了关于 split-apply-combine 方法的完整描述。
按类别计数记录数#
各舱位等级有多少乘客？
In [12]: titanic["Pclass"].value_counts() Out[12]: Pclass 3 491 1 216 2 184 Name: count, dtype: int64
value_counts()方法计算列中每个类别的记录数。
此函数是一个快捷方式，它实际上是 groupby 操作与计算每组记录数相结合。
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。size 包括 NaN 值并仅提供行数（表的大小），而 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。
用户指南中有关于 value_counts 的专门章节，请参阅关于 离散化 的页面。
记住
可以对整列或整行计算聚合统计量。
groupby提供了 split-apply-combine 模式的功能。value_counts是一个方便的快捷方式，用于计算变量每个类别的条目数。
用户指南关于 groupby 操作 的页面提供了关于 split-apply-combine 方法的完整描述。