Python pandas入门系列之众数和分位数

目录

• 准备
• 1.求众数
• 1.1对全表进行操作
• 1.1.1求取每列的众数
• 1.1.2 求取每行的众数
• 1.2 对单独的一行或者一列进行操作
• 1.2.1 求取单独某一列的众数
• 1.2.2 求取单独某一行的众数
• 1.3 对多行或者多列进行操作
• 1.3.1 求取多列的众数
• 1.3.2 求取多行的众数
• 2 求分位数
• 2.1 求取不同分位的分位数
• 2.1.1 四分之一分位数
• 2.1.2 四分之三分位数
• 2.2对全表进行操作
• 2.2.1对每一列求分位数
• 2.2.2 对每一行求分位数
• 2.3 对单独的一行或者一列进行操作
• 2.3.1 对某一列求分位数
• 2.3.2 对某一行求分位数
• 2.4 对多行或者多列进行操作
• 2.4.1 对多列求分位数
• 2.4.2 对多行求分位数
• 附：pandas 和 numpy计算分位数的区别
• 总结

准备

本文用到的表格内容如下:

先来看一下原始情形:

import pandas as pd
​
df = pd.read_excel(r'C:\Users\admin\Desktop\测试.xlsx')
print(df)

result:

   数学成绩  语文成绩  英语成绩

0    89    78    98

1    35    34    34

2    43    56    25

3    35    78    83

4    67    46    65

5    89    89    83

6    96    45    83

7    35    67    45

8    35    78    83

1.求众数

1.1对全表进行操作

1.1.1求取每列的众数

df = pd.read_excel(r'C:\Users\admin\Desktop\测试.xlsx')
print(df.var())

result:

   数学成绩  语文成绩  英语成绩

0    35    78    83

1.1.2 求取每行的众数

df = pd.read_excel(r'C:\Users\admin\Desktop\测试.xlsx')
print(df.mode(axis=1))

result:

      0     1     2

0  78.0  89.0  98.0

1  34.0   NaN   NaN

2  25.0  43.0  56.0

3  35.0  78.0  83.0

4  46.0  65.0  67.0

5  89.0   NaN   NaN

6  45.0  83.0  96.0

7  35.0  45.0  67.0

8  35.0  78.0  83.0

1.2 对单独的一http://www.cppcns.com行或者一列进行操作

1.2.1 求取单独某一列的众数

df = pd.read_excel(r'C:\Users\admin\Desktop\测试.xlsx')
print(df.mode(axis=1))

result:

0    35

dtype: int64

1.2.2 求取单独某一行的众数

df = pd.read_excel(r'C:\Users\admin\Desktop\测试.xlsx')
print(df.iloc[[0]].mode())

result:

   数学成绩  语文成绩  英语成绩

0    89    78    98

1.3 对多行或者多列进行操作

1.3.1 求取多列的众数

df = pd.read_excel(r'C:\Users\admin\Desktop\测试.xlsx')
print(df[['数学成http://www.cppcns.com绩', "语文成绩"]].mode())

result:

   数www.cppcns.com学成绩  语文成绩

0    35    78

1.3.2 求取多行的众数

df = pd.read_excel(r'C:\Users\admin\Desktop\测试.xlsx')
print(df.iloc[[0, 1]].mode())

result:

   数学成绩  语文成绩  英语成绩

0    35    34    34

1    89    78    98

2 求分位数

分位数是比中位数更加详细的基于位置的指标，分位数主要有四分之一分位数，二分之一分位数(就是中位数)、四分之三分位数

2.1 求取不同分位的分位数

2.1.1 四分之一分位数

import pandas as pd
​
df = pd.read_excel(r'C:\Users\admin\Desktop\测试.xlsx')
print(df.quantile(0.25))

result:

数学成绩    35.0

语文成绩    46.0

英语成绩    45.0

Name: 0.25, dtype: float64

2.1.2 四分之三分位数

df = pd.read_excel(r'C:\Users\admin\Desktop\测试.xlsx')
print(df.quantile(0.75))

result:

数学成绩    89.0

语文成绩    78.0

英语成绩    83.0

Name: 0.75, dtype: float64

2.2对全表进行操作

2.2.1对每一列求分位数

df = pd.read_excel(r'C:\Users\admin\Desktop\测试.xlsx')
print(df.quantile(0.25))

result:

数学成绩    35.0

语文成绩    46.0

英语成绩    45.0

Name: 0.25, dtype: float64

2.2.2 对每一行求分位数

df = pd.read_excel(r'C:\Users\admin\Desktop\测试.xlsx')
print(df.quantile(0.25, axis=1))

result:

0    83.5

1    34.0

2 &

www.cppcns.com

nbsp;  34.0

3    56.5

4    55.5

5    86.0

6    64.0

7    40.0

8    56.5

Name: 0.25, dtype: float64

2.3 对单独的一行或者一列进行操作

2.3.1 对某一列求分位数

df = pd.read_excel(r'C:\Users\admin\Desktop\测试.xlsx')
print(df['数学成绩'].quantile(0.25))

result:

35.0

2.3.2 对某一行求分位数

df = pd.read_excel(r'C:\Users\admin\Desktop\测试.xlsx')
print(df.iloc[[0]].quantile(0.25))

result:

数学成绩    89.0

语文成绩    78.0

英语成绩    98.0

Name: 0.25, dtype: float64

2.4 对多行或者多列进行操作

2.4.1 对多列求分位数

df = pd.read_excel(r'C:\Users\admin\Desktop\测试.xlsx')
print(df[['数学成绩', "语文成绩"]].quantile(0.25))

result:

数学成绩    35.0

语文成绩    46.0

Name: 0.25, dtype: float64

2.4.2 对多行求分位数

df = pd.read_excel(r'C:\Users\admin\Desktop\测试.xlsx')
print(df.iloc[[0, 1]].quantile(0.25))

result:

数学成绩    48.5

语文成绩    45.0

英语成绩    50.0

Name: 0.25, dtype: float64

附：pandas 和 numpy计算分位数的区别

pandas 和 numpy中都有计算分位数的方法，pandas中是quantile，numpy中是percentile

两个方法其实没什么区别，用法上稍微不同，quantile的优点是与pandas中的groupby结合使用，可以分组之后取每个组的某分位数

quantile代码：

import pandas as pd
import numpy as np
data = pd.read_csv('order_http://www.cppcns.comrank_p_0409.txt',sep='\t')
#将data按id_1 和 id_2 分组
grouped=data.groupby(['id_1','id_2'])
#用quantile计算第40%的分位数
grouped['gmv'].quantile(0.4) 
#用to_csv生成文件
x.to_csv('order_ran_re.txt',sep= '\t')

percentile代码：

import pandas as pd
import numpy as np
data = pd.read_csv('order_rank_p_0409.txt',sep='\t')
a = array(data['gmv'])
np.percentile(a,0.4)

两段代码，两种方法计算的结果是一样的

总结

到此这篇关于python pandas系列之众数和分位数的文章就介绍到这了,更多相关pandas众数和分位数内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！