数据清洗之 分组对象与apply函数

数据清洗之 分组对象与apply函数

分组对象与apply函数

函数apply即可用于分组对象，也可以作用于dataframe数据Groupby.apply(func)需要注意axis=0和axis=1的区别

np.sum, axis=0 相当于计算每列的总和np.sum, axis=1 相当于计算每行的总和

import pandas as pdimport numpy as npimport

os.getcwd()

'D:\\Jupyter\\notebook\\Python数据清洗实战\\数据清洗之数据统计'

os.chdir('D:\\Jupyter\\notebook\\Python数据清洗实战\\数据')

df = pd.read_csv('online_order.csv', encoding='gbk', dtype={'customer':str, 'order':str})

df.head(5)

grouped = df.groupby('weekday')

# 只可传入一个统计参数# agg可传入多个# grouped.apply([np.mean, np.sum])

grouped.apply(np.mean)[['total_items', 'discount%', 'weekday']]

df.columns

Index(['customer', 'order', 'total_items', 'discount%', 'weekday', 'hour', 'Food%', 'Fresh%', 'Drinks%', 'Home%', 'Beauty%', 'Health%', 'Baby%', 'Pets%'], dtype='object')

var = ['Food%', 'Fresh%', 'Drinks%', 'Home%', 'Beauty%', 'Health%', 'Baby%', 'Pets%']

df[var].head(5)

# 计算每个变量的总和df[var].apply(np.sum, axis=0)

Food% 706812.19Fresh% 606818.38Drinks% 700477.06Home% 406187.25Beauty% 176788.48Health% 33988.76Baby% 332884.34Pets% 31292.61dtype: float64

# 对每一行求和df[var].apply(np.sum, axis=1).head(5)

0 100.001 100.012 100.013 99.994 100.01dtype: float64

# Food% - Fresh%df[var].apply(lambda x: x[0] - x[1], axis=1).head(5)

0 -77.601 -59.932 -39.873 -7.184 -36.25dtype: float64

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。