pandas分区间,算频率的实例-6ren

pandas分区间,算频率的实例

转载作者：qq735679552 更新时间：2022-09-29 22:32:09

CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.

这篇CFSDN的博客文章pandas分区间,算频率的实例由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.

如下所示:

 
    ? 
   
 
     
       
       
         import 
         pandas as pd 
        
 
         path 
         = 
         'F:/python/python数据分析与挖掘实战/图书配套数据、代码/chapter3/demo/data/catering_fish_congee.xls' 
        
 
         data 
         = 
         pd.read_excel(path,header 
         = 
         None 
         ,index_col 
         = 
         0 
         ) 
        
 
         data.index.name 
         = 
         '日期' 
        
 
         data.columns 
         = 
         [ 
         '销售额(元)' 
         ] 
        
 
           
        
 
         xse 
         = 
         data[ 
         '销售额(元)' 
         ] 
        
 
         print 
         (xse. 
         max 
         ()) 
        
 
         print 
         (xse. 
         min 
         ()) 
        
 
         print 
         (xse. 
         max 
         () 
         - 
         xse. 
         min 
         ()) 
        
 
           
        
 
         fanwei 
         = 
         list 
         ( 
         range 
         ( 
         0 
         , 
         4500 
         , 
         500 
         )) 
        
 
         fenzu 
         = 
         pd.cut(xse.values,fanwei,right 
         = 
         False 
         ) 
         #分组区间,长度91 
        
 
         print 
         (fenzu.codes) 
         #标签 
        
 
         print 
         (fenzu.categories) 
         #分组区间，长度8 
        
 
         pinshu 
         = 
         fenzu.value_counts() 
         #series,区间-个数 
        
 
         print 
         (pinshu.index) 
        
 
           
        
 
         import 
         matplotlib.pyplot as plt 
        
 
         pinshu.plot(kind 
         = 
         'bar' 
         ) 
        
 
         #plt.text(0,29,str(29)) 
        
 
           
        
 
           
        
 
         qujian 
         = 
         pd.cut(xse,fanwei,right 
         = 
         False 
         ) 
        
 
         data[ 
         '区间' 
         ] 
         = 
         qujian.values 
        
 
         data.groupby( 
         '区间' 
         ).median() 
        
 
         data.groupby( 
         '区间' 
         ).mean() 
         #每个区间平均数 
        
 
           
        
 
         pinshu_df 
         = 
         pd.DataFrame(pinshu,columns 
         = 
         [ 
         '频数' 
         ]) 
        
 
         pinshu_df[ 
         '频率f' 
         ] 
         = 
         pinshu_df  
         / 
         pinshu_df[ 
         '频数' 
         ]. 
         sum 
         () 
        
 
         pinshu_df[ 
         '频率%' 
         ] 
         = 
         pinshu_df[ 
         '频率f' 
         ]. 
         map 
         ( 
         lambda 
         x: 
         '%.2f%%' 
         % 
         (x 
         * 
         100 
         )) 
        
 
           
        
 
         pinshu_df[ 
         '累计频率f' 
         ] 
         = 
         pinshu_df[ 
         '频率f' 
         ].cumsum() 
        
 
         pinshu_df[ 
         '累计频率%' 
         ] 
         = 
         pinshu_df[ 
         '累计频率f' 
         ]. 
         map 
         ( 
         lambda 
         x: 
         '%.4f%%' 
         % 
         (x 
         * 
         100 
         )) 
        
 
           
        
 
         In[ 
         158 
         ]: pinshu_df 
        
 
         Out[ 
         158 
         ]:  
        
 
                 
         频数    频率f   频率 
         %   
         累计频率f   累计频率 
         % 
        
 
         [ 
         0 
         ,  
         500 
         )    
         29 
         0.318681 
         31.87 
         % 
         0.318681  
         31.8681 
         % 
        
 
         [ 
         500 
         ,  
         1000 
         )   
         20 
         0.219780 
         21.98 
         % 
         0.538462  
         53.8462 
         % 
        
 
         [ 
         1000 
         ,  
         1500 
         )  
         12 
         0.131868 
         13.19 
         % 
         0.670330  
         67.0330 
         % 
        
 
         [ 
         1500 
         ,  
         2000 
         )  
         12 
         0.131868 
         13.19 
         % 
         0.802198  
         80.2198 
         % 
        
 
         [ 
         2000 
         ,  
         2500 
         )   
         8 
         0.087912  
         8.79 
         % 
         0.890110  
         89.0110 
         % 
        
 
         [ 
         2500 
         ,  
         3000 
         )   
         3 
         0.032967  
         3.30 
         % 
         0.923077  
         92.3077 
         % 
        
 
         [ 
         3000 
         ,  
         3500 
         )   
         4 
         0.043956  
         4.40 
         % 
         0.967033  
         96.7033 
         % 
        
 
         [ 
         3500 
         ,  
         4000 
         )   
         3 
         0.032967  
         3.30 
         % 
         1.000000 
         100.0000 
         % 
        
 
     
 
   

pandas分区间,算频率的实例

以上这篇pandas分区间,算频率的实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持我.

原文链接：https://blog.csdn.net/castingA3T/article/details/79075240 。

最后此篇关于pandas分区间,算频率的实例的文章就讲到这里了,如果你想了解更多关于pandas分区间,算频率的实例的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！。

文章推荐： Node.js v17 来了，看看都有哪些新功能？

文章推荐： Ubuntu MATE 21.04 更新，多项新功能来袭

文章推荐： Windows 10应用商店无法下载应用怎么办

文章推荐： Windows10操作系统被网络限速怎么办?

pandas - Pandas 交叉表与 Pandas 数据透视表有何不同？
pandas.crosstab 和 Pandas 数据透视表似乎都提供了完全相同的功能。有什么不同吗？最佳答案 pivot_table没有 normalize争论，不幸的是。在 crosstab
pandas - 从 pandas 值序列创建 pandas 区间序列
我能找到的最接近的答案似乎太复杂:How I can create an interval column in pandas? 如果我有一个如下所示的 pandas 数据框: +-------+ |
pandas - 将一列值移动到另一列 - Pandas
这是我用来将某一行的一列值移动到同一行的另一列的当前代码: #Move 2014/15 column ValB to column ValA df.loc[(df.Survey_year == 201
pandas - 如何将包含 bins 的 pandas 数据框写入文件以便将其读回 pandas？
我有一个以下格式的 Pandas 数据框: df = pd.DataFrame({'a' : [0,1,2,3,4,5,6], 'b' : [-0.5, 0.0, 1.0, 1.2, 1.4,
pandas - Pandas 数据框行上的克罗内克积
所以我有这两个数据框，我想得到一个新的数据框，它由两个数据框的行的克罗内克积组成。正确的做法是什么？举个例子:数据框1 c1 c2 0 10 100 1 11 110 2 12
pandas - Pandas 条形图中的刻度标签重叠
TL;DR:在 pandas 中，如何绘制条形图以使其 x 轴刻度标签看起来像折线图？我制作了一个间隔均匀的时间序列(每天一个项目)，并且可以像这样很好地绘制它: intensity[350:450
pandas - Pandas 中两个时间戳之间的差异
我有以下两个时间列，“Time1”和“Time2”。我必须计算 Pandas 中的“差异”列，即 (Time2-Time1): Time1 Time2
pandas - ( Pandas )根据顺序无关紧要的子集删除重复项
从这个 df 去的正确方法是什么: >>> df=pd.DataFrame({'a':['jeff','bob','jill'], 'b':['bob','jeff','mike']}) >>> df
pandas - Pandas 中唯一值的累积计数
我想按周从 Pandas 框架中的列中累积计算唯一值。例如，假设我有这样的数据: df = pd.DataFrame({'user_id':[1,1,1,2,2,2],'week':[1,1,2,1,
pandas - Pandas 更改数据透视表中列的顺序
数据透视表的表示形式看起来不像我在寻找的东西，更具体地说，结果行的顺序。我不知道如何以正确的方式进行更改。 df示例: test_df = pd.DataFrame({'name':['name_1
pandas - Pandas 中的分组召回
我有一个数据框，如下所示。 Category Actual Predicted 1 1 1 1 0
pandas - 计算从日期时间列到特定日期的天数 - pandas
我有一个 df，如下所示。 df: ID open_date limit 1 2020-06-03 100 1 2020-06-23 500
pandas - 删除不等于唯一项目值的行 - Pandas
我有一个 df ，其中包含与唯一值关联的各种字符串。对于这些唯一值，我想删除不等于单独列表的行，最后一行除外。下面使用 Label 中的各种字符串值与 Item 相关联.所以对于每个唯一的 Item
pandas - Pandas 按索引删除列会删除所有具有相同名称的列
考虑以下具有相同名称的列的数据框（显然，这确实发生了，目前我有一个像这样的数据集！:(） >>> df = pd.DataFrame({"a":range(10,15),"b":range(5,10)
pandas - Pandas DF中的重复行
我在 Pandas 中有一个 DF，它看起来像: Letters Numbers A 1 A 3 A 2 A 1 B 1 B 2
pandas - Pandas 两列之间的时差
如何减去两列之间的时间并将其转换为分钟 Date Time Ordered Time Delivered 0 1/11/19 9:25:00 am 10:58:00 am
pandas - pandas 使用哪种方法计算百分位数？
我试图理解 pandas 中的下/上百分位数计算，但有点困惑。这是它的示例代码和输出。 test = pd.Series([7, 15, 36, 39, 40, 41]) test.describe(
pandas - 如何提取多索引数据帧的索引名称，pandas
我有一个多索引数据框，如下所示: TQ bought HT Detailed Instru
pandas - Pandas :根据字符串计数创建直方图
我需要从包含值“低”，“中”或“高”的数据框列创建直方图。当我尝试执行通常的df.column.hist（）时，出现以下错误。 ex3.Severity.value_counts() Out[85]:
pandas - Pandas 中的子字符串列基于另一列
我试图根据另一列的长度对一列进行子串，但结果集是 NaN .我究竟做错了什么？ import pandas as pd df = pd.DataFrame([['abcdefghi','xyz'],

qq735679552

个人简介

我是一名优秀的程序员,十分优秀！

作者热门文章

滴滴打车优惠券免费领取

全站热门文章

首页

博学

6Ren·AI

商城

pandas分区间,算频率的实例