#例如：求每组水果的价格和平均值(mean())
df.groupby(by=['item'],axis =0).mean()# 每种水果的平均价格
s =df.groupby(by=['item'],axis =0)['price'].mean()
有NaN 映射关系不对！采用如下方式：
s.to_dict() # 将df数组转为字典：{'a':'123','b':'345','c':'567'}
创建一列，放入映射的值：df[‘mean’] = df['item'].map(s.to_dict())
2、统计函数
分组分析是指根据分组字段，将分析对象划分成不同的部分，以对比分析各组之间差异性的分析方法。分组分析常用的统计指标是计数、求和、平均值。
分组统计函数的语法格式如下：
groupby(by=[分组列1,分组列2,…])
[统计列1,统计列2,…]
.agg({统计列别名1:统计函数1,统计列别名2:统计函数2,…})
函数中的参数说明如下：
-
by：用于分组的列；
-
中括号[ ]：用于统计的列；
-
agg：统计别名用于显示统计值的名称，统计函数用于统计数据，常用的统计函数有计数（size）、求和（sum）和均值（mean）。
【例 1 】在 Employee_income.xls 文件中包含有职工号（emp_id）、性别（sex）、年龄（age）、学历（education）、参加工作时间（firstjob）、工作地区（region）、行业（industry）、职业（occupation）、月薪（salary）和月补贴（subsidy）等 10 列数据，要求分别按年龄、学历分组统计人数，并求月薪的均值、最大值和最小值。
其示例代码 test1 如下
import numpy as np
from pandas import DataFrame;
import pandas as pd
df = pd.read_excel('d:\data\emp_income\Employee_income.xls', sheet_name='emp_income')
age_result = df.groupby(by=['age'])['salary'].agg({
'人数':np.size,
'平均月薪':np.mean,
'最高月薪':np.max,
'最低月薪':np.min
print(age_result)
edu_result = df.groupby(by=['education'])['salary'].agg({
'人数':np.size,
'平均月薪':np.mean,
'最高月薪':np.max,
'最低月薪':np.min
print(edu_result)
运行输出结果如下：
人数 平均月薪 最高月薪 最低月薪
education
大专 4 3700.000000 4500 3000
本科 5 4700.000000 5000 4500
研究生 2 7099.500000 7699 6500
高中 7 2685.714286 3500 2000
3、高级数据聚合
使用groupby分组后，也可以使用transform和apply提供自定义函数实现更多运算
-
df.groupby('item')['price'].sum() <==> df.groupby('item')['price'].apply(sum)
-
transform和apply都会进行运算，在transform和apply中传入函数即可
-
transform和apply也可以传入一个lambda表达式
apply自定义函数实现案例：
def my_mean(s): #---参数必须有一个，s传入的是一个数组
sum =0
for i in s:
sum += i
return sum/len(s)
# apply(my_mean)调用自定义函数：my_mean
df.groupby(by=['item'],axis =0)['price'].apply(my_mean)
# transform 封装了映射，transform返回值是经过映射的，可以直接往源数据里做汇总
df.groupby(by=['item'],axis =0)['price'].transform(my_mean)
4、分组聚合处理
在对数据进行分组之后，可以对分组后的数据进行聚合处理统计。
agg函数，agg的形参是一个函数会对分组后每列都应用这个函数。
import pandas as pd
import numpy as np
idx = [101,101,101,102,102,102,103,103,103]
idx += [101,102,103]
name = ["apple","pearl","orange", "apple","pearl","orange","apple","pearl","orange"]
name += ["apple"] * 3
price = [1.0,2.0,3.0,4.00,5.0,6.0,7.0,8.0,9.0]
price += [4] * 3
df0 = pd.DataFrame({ "fruit": name, "price" : price, "supplier" :idx})
print "*" * 30
print df0
print "*" * 30
dg1 = df0.groupby(["fruit", "supplier"])
for n, g in dg1:
print "multiGroup on:", n, "\n|",g ,"|"
print "*" * 30
print dg1.agg(np.mean)
程序的执行结果：
******************************
fruit price supplier
0 apple 1 101
1 pearl 2 101
2 orange 3 101
3 apple 4 102
4 pearl 5 102
5 orange 6 102
6 apple 7 103
7 pearl 8 103
8 orange 9 103
9 apple 4 101
10 apple 4 102
11 apple 4 103
******************************
multiGroup on: ('apple', 101)
| fruit price supplier
0 apple 1 101
9 apple 4 101 |
multiGroup on: ('pearl', 103)
| fruit price supplier
7 pearl 8 103 |
******************************
price
fruit supplier
apple 101 2.5
102 4.0
103 5.5
orange 101 3.0
102 6.0
103 9.0
pearl 101 2.0
102 5.0
103 8.0
请注意水果apple的输出。
-
agg应用均值、求和、最大等示例。
import pandas as pd
import numpy as np
idx = [101,101,101,102,102,102,103,103,103]
idx += [101,102,103] * 3
name = ["apple","pearl","orange", "apple","pearl","orange","apple","pearl","orange"]
name += ["apple"] * 3 + ["pearl"] * 3 + ["orange"] * 3
price = [4.1,5.3,6.3,4.20,5.4,6.0,4.5,5.5,6.8]
price += [4] * 3 + [5] * 3 + [6] * 3
df0 = pd.DataFrame({ "fruit": name, "price" : price, "supplier" :idx})
print "*" * 30
print df0
print "*" * 30
dg1 = df0.groupby(["fruit", "supplier"])
print dg1.agg(np.mean)
print "*" * 30
print dg1.agg([np.mean, np.std, np.min, np.sum])
-
程序执行结果：
******************************
fruit price supplier
0 apple 4.1 101
17 orange 6.0 103
******************************
price
fruit supplier
apple 101 4.05
102 4.10
103 4.25
orange 101 6.15
102 6.00
103 6.40
pearl 101 5.15
102 5.20
103 5.25
******************************
price
mean std amin sum
fruit supplier
apple 101 4.05 0.070711 4 8.1
102 4.10 0.141421 4 8.2
103 4.25 0.353553 4 8.5
orange 101 6.15 0.212132 6 12.3
102 6.00 0.000000 6 12.0
103 6.40 0.565685 6 12.8
pearl 101 5.15 0.212132 5 10.3
102 5.20 0.282843 5 10.4
103 5.25 0.353553 5 10.5
idx = [101,101,101,102,102,102,103,103,103]
idx += [101,102,103] * 3
name = ["apple","pearl","orange", "apple","pearl","orange","apple","pearl","orange"]
name += ["apple"] * 3 + ["pearl"] * 3 + ["orange"] * 3
price = [4.1,5.3,6.3,4.20,5.4,6.0,4.5,5.5,6.8]
price += [4] * 3 + [5] * 3 + [6] * 3
df0 = pd.DataFrame({ "fruit": name, "price" : price, "supplier" :idx})
print "*" * 30
print df0
print "*" * 30
dg1 = df0.groupby(["fruit"])
print dg1.agg(np.mean)
print "*" * 30
print dg1.agg([np.mean, np.std, np.min, np.sum])
print "*" * 30
print dg1.agg({"price" : np.mean, "supplier" : np.max})
程序的执行结果：
******************************
fruit price supplier
0 apple 4.1 101
1 pearl 5.3 101
2 orange 6.3 101
3 apple 4.2 102
4 pearl 5.4 102
5 orange 6.0 102
6 apple 4.5 103
7 pearl 5.5 103
8 orange 6.8 103
9 apple 4.0 101
10 apple 4.0 102
11 apple 4.0 103
12 pearl 5.0 101
13 pearl 5.0 102
14 pearl 5.0 103
15 orange 6.0 101
16 orange 6.0 102
17 orange 6.0 103
******************************
price supplier
fruit
apple 4.133333 102
orange 6.183333 102
pearl 5.200000 102
******************************
price supplier
mean std amin sum mean std amin sum
fruit
apple 4.133333 0.196638 4 24.8 102 0.894427 101 612
orange 6.183333 0.325064 6 37.1 102 0.894427 101 612
pearl 5.200000 0.228035 5 31.2 102 0.894427 101 612
******************************
supplier price
fruit
apple 103 4.133333
orange 103 6.183333
pearl 103 5.200000
agg函数是对列而言的，如果打算对分组后列的数据进行处理可以使用tranform函数，见下一章。
java 五子棋文档 java五子棋类图
1、一些对象和静态常量的定义//定义三个BufferedImage，分别代表棋盘图、黑子图、白子图
private BufferedImage table;
private BufferedImage black;
private BufferedImage white;
//定义一个BufferedImage，代表当鼠标移动时将要下子的选择框
priva
java rar不开源 java rar压缩方法
一 导入的包import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.*;
import java.net.HttpURLConnection;
import java.net.URL;
import java.util.zip.ZipEntry;
import java.util.zip.Z
