1.3新生成一列sum_age_new 按照gender和is_good对age进行累加

df['sum_age_new'] = df.groupby(['gender','is_good'])['age'].cumsum()
print(df)

2.python中排序问题

2.1 按照年龄进行排序

df['rank'] = df['age'].rank()
df['rank_mean'] = df['age'].rank(method='average')
df['rank_min'] = df['age'].rank(method='min')
df['rank_max'] = df['age'].rank(method='max')
df['rank_first'] = df['age'].rank(method='first')
print(df)

根据不同的性别对年龄进行排序

df['rank_g'] = df.groupby(['gender'])['age'].rank()
print(df)

2.2在排序的过程中遇到两个数值相同，空置的排序情况，在这种条件下rank如何进行参数设置

首先排序过程中存在相同的数值时？

rank（）函数参数设置

1. method : {‘average’, ‘min’, ‘max’, ‘first’, ‘dense’}, default ‘average’ 主要用来当排序时存在相同值参数设置；

默认为average平均值：年龄为32的数值，排序应该为8,9取平均值则为8.5

min:排序中最小值，年龄排序中取值为8

max：排序中最大值，年龄排序中取值9

first:同样数值按照值出现的前后进行排序 5号性别为男的年龄排序为8,7号性别为女的排序为9

dense: like ‘min’, but rank always increases by 1 between groups 排序时当值相同时，相同的值为同一排名类似min值排序，后续值排名在此排名基础上加一

2. na_option : {‘keep’, ‘top’, ‘bottom’}, default ‘keep’  当排序数据中存在空值时，默认值设置为keep

How to rank NaN values:

• keep: assign NaN rank to NaN values    默认空值不参与排序
• top: assign smallest rank to NaN values if ascending    默认为升序时从空值为最小值排序
• bottom: assign highest rank to NaN values if ascending 默认升序时 空置为

  df['rank'] = df['age'].rank(method='first')
  df['rank_k'] = df['age'].rank(method='first',na_option='keep')
  df['rank_t'] = df['age'].rank(method='first',na_option='top')
  df['rank_b'] = df['age'].rank(method='first',na_option='bottom')
  print(df)

  

data['rank'] = data.groupby(['Name_y'])['Salary'].rank(ascending=False,method='dense')
print(data)

3.对salary进行降序排序，对于排序中相同salary值按照emp_no的大小进行排序

在使用pandas时先按照emp_no和salary进行值的排序，然后再进行rank（method=‘dense’）排序

df = pd.DataFrame({'emp_no':[10001,10002,10003,10004,10005,10006,10007,10010,10009,10011],'salary':[88958,72527,43311,74057,94692,43311,88070,94409,94409,25828]})
print(df)
df['排序-1'] = df.sort_values(by=['emp_no','salary'])['salary'].rank(method='first',ascending=False)
dt = df.sort_values(by=['排序-1'])
print(dt)

df['排序-1'] = df['salary'].rank(method='dense',ascending=False)
dt = df.sort_values(by=['排序-1','emp_no'])
print(dt)

1.python 中分组统计1.1按性别统计出年龄最大，最小，平均值import pandas as pddf = pd.read_excel(r'./data.xlsx')print(df)ages = df.groupby(['gender'])['age']ages_min = ages.min()ages_max = ages.max()ages_mean = a... import pandas as pd df = pd.read_excel('product.xlsx',names=['product','score1','score2'],header=None) df = df.sort_values(by=['score1','score2'],ascending=[False,True]) #False表示降序 排序 df = df. group by('produc result_file = './result/drug_ group _desc.csv' df = pd.read_csv(base_dire,engine=' python ',encoding='utf-8',usecols=['ADVICE_CONTENT']) #第一种方式使用size函数添加 2020年3月11日：更新到最新的snarkjs （这是对PySNARK原始版本的重写，仍可。） PySNARK允许您直接在 Python 3 中 编程zk-SNARK（又名可验证计算）。例如，以下代码运行SNARK程序以计算数字的立方，生成键材料，生成证明并验证它： import sys from pysnark.runtime import snark @snark def cube(x): return x*x*x print("The cube of", sys.argv[1], "is", cube(int(sys.argv[1]))) PySNARK可以使用或作为后端。 对于使用pysnark提供的PubVal数据类型（或使用@snark装饰器）执行的任何计算，该库都会跟踪该计算的 Rank -1约束系统。 计算完成后，将生成（或重复使用）用于计算的关 进行数据分析时， Group By 分组 统计是非常常用的操作，也是十分重要的操作之一。基本上大部分的数据分析都会用到该操作，本文将对 Python 的 Group By 分组 统计操作进行讲解。 1. Group By过程 首先看看 分组 聚合的过程，主要包括拆分（split）、应用（Apply）和合并（Combine） 2.创建DataFrame import pandas as pd ipl_data = {...