成都建设厅官方网站,设置网站首页,上海网站建设报价表,最新的新闻内容目录
排序函数
nlargest函数
nsmallest函数
sort_values函数
df.sort_values
Series.sort_values
聚合函数
corr函数-相关性
min函数-最小值
max函数-最大值
mean函数-平均值
sum函数-求和
count函数-统计非空数据
std函数-标准偏差
quantile函数-分位数 排序函…目录
排序函数
nlargest函数
nsmallest函数
sort_values函数
df.sort_values
Series.sort_values
聚合函数
corr函数-相关性
min函数-最小值
max函数-最大值
mean函数-平均值
sum函数-求和
count函数-统计非空数据
std函数-标准偏差
quantile函数-分位数 排序函数
准备函数
# 加载csv数据, 返回df对象
import pandas as pddf pd.read_csv(../data/b_LJdata.csv)
# print(df.head())
# 获取前10条数据
df2 df.head(10)
df2 nlargest函数
通过 df.nlargest(n, 列名) 方法实现对指定列的值由大到小排序, 返回前n行数据 # df.nsmallest(n, 列名) # 根据指定列的值由小到大排列返回n行数据
print(df2.nsmallest(5, 看房人数)) nsmallest函数
通过 df.nsmallest(n, 列名) 方法实现对指定列的值由小到大排序, 返回前n行数据 # df.nsmallest(n, 列名) # 根据指定列的值由小到大排列返回n行数据
print(df2.nsmallest(5, 看房人数)) sort_values函数
通过 df.sort_values(列名列表, ascending) 方法根据指定列指定排序方式排序 ascending: True或False, 默认True-升序, 也可以接收布尔值列表, 每列指定排序方式 df.sort_values df.sort_values函数可以按照指定的一列或多列的值进行排序
1) 按价格列的数值由小到大进行排序
print(df2.sort_values([价格])) 2) 按价格列的数值由大到小进行排序
print(df2.sort_values([价格], ascendingFalse)) 3) 先对看房人数列由小到大排序, 再对价格列由大到小排序
print(df2.sort_values([看房人数, 价格], ascending[True, False])) Series.sort_values
Series.sort_values 函数可以按照指定的一列或多列的值进行排序
1) 按价格列的数值由小到大进行排序 print(df2[价格].sort_values())2) 按价格列的数值由大到小进行排序
print(df2[价格].sort_values(ascendingFalse)) 聚合函数
corr函数-相关性
相关性得分越接近1, 代表正相关性越强; 越接近-1, 代表负相关性越强 自己和自己相关性为1 面积和价格呈现正相关, 面积越大, 价格越贵
df.corr() “面积” 与 “面积” 的相关系数为 1.000000这是必然的因为一个变量与自身完全相关。 “面积” 与 “价格” 的相关系数为 0.710056呈正相关关系。这表明在该数据集中一般情况下房屋面积越大价格越高。但需要注意的是相关系数为 0.710056 表明这种关系并非完全线性相关可能存在其他因素影响价格。 “面积” 与 “看房人数” 的相关系数为 -0.114706呈较弱的负相关关系。这意味着房屋面积的大小与看房人数之间的关系不是很密切面积的增加不一定会导致看房人数的减少反之亦然。 “价格” 与 “价格” 的相关系数为 1.000000同理一个变量与自身完全相关。 “价格” 与 “看房人数” 的相关系数为 0.019457接近 0表明价格与看房人数之间几乎没有线性关系。房屋价格的高低对看房人数的影响不明显。 “看房人数” 与 “看房人数” 的相关系数为 1.000000自身完全相关。
min函数-最小值
print(df2.min()) max函数-最大值
print(df2.max()) mean函数-平均值
print(df2.mean()) sum函数-求和
print(df2.sum())
print()
print(df2[看房人数].sum()) count函数-统计非空数据
# 构造空值
df2.loc[0, 看房人数] None
print(df2.count())
print(df2[看房人数].count()) std函数-标准偏差
一、方差
方差是用来衡量一组数据离散程度的统计量。具体计算方法是先求出这组数据的平均值然后对于每个数据值计算它与平均值的差值再将这个差值进行平方最后把所有数据值的差值平方加起来求平均。 方差越大说明这组数据的波动越大数据点相对平均值的分散程度越高方差越小说明数据相对更加集中在平均值附近。
二、标准差
标准差是方差的算术平方根。
即标准差 print(df2.std()) quantile函数-分位数 分位数Quantile亦称分位点常用的有中位数即二分位数、四分位数、百分位数等那什么是分位数呢我们以中位数为例通过把一堆数字按大小排序后找出正中间的一个数字作为中位数如果这一堆数字有偶数个则中位数不唯一通常取最中间的两个数值的平均数作为中位数即二分位数。 quantile函数默认返回二分位数可以通过传入参数来控制返回的四分位数或其他分位数
print(df2.quantile())
print(df2[看房人数].quantile()) print(df2.quantile([0.25, 0.5, 0.75]))
print()
print(df2[看房人数].quantile([0.25, 0.5, 0.75]))
