2023年《Python数据分析和应用》实验二--pandas统计分析基础

《2023年《Python数据分析和应用》实验二--pandas统计分析基础》由会员分享，可在线阅读，更多相关《2023年《Python数据分析和应用》实验二--pandas统计分析基础（7页珍藏版）》请在装配图网上搜索。

1、2023年Python数据分析和应用实验二-pandas统计分析基础下面是我为大家整理的Python数据分析和应用实验二-pandas统计分析基础,供大家参考。实验二s Pandas 统计分析基础任务 1 读取 mtcar 数据并实现以下操作 （1）查看 mtcar 数据集的元素的个数、维度、大小等信息，输出表的列名。import pandas as pd mtcars=pd.read_csv(D:桌面实验二datamtcars.csv) print(mtcars 的元素个数为：n,mtcars.size) print(mtcars 的元素维度为：n,mtcars.ndim) print(mt

2、cars 的元素大小为：n,mtcars.shape) print(mtcars 的表的列名为：n,mtcars.columns) （2）使用 describe 方法对整个 mtcar 数据集进行描述性统计。import pandas as pd mtcars=pd.read_csv(D:桌面实验二datamtcars.csv) print(对整个 mtcar 数据集进行描述性统计为：n,mtcars.describe() （3）计算不同 cyl（气缸数）、carb（化油器）对应的 mpg（油耗）和 hp（马力）的均值。import pandas as pd mtcars=pd.read_cs

3、v(D:桌面实验二datamtcars.csv) x=mtcars.loc:,cyl,carb,mpg,hp y=x.groupby(cyl,carb).mean() print(不同 cyl（气缸数）、carb（化油器）对应的 mpg（油耗）和 hp（马力）的均值为：n,y)（4）输出 mpg 和 hp 前 5 个元素。import pandas as pd mtcars=pd.read_csv(D:桌面实验二datamtcars.csv) x=mtcarsmpg,hp:5 print(mpg 和 hp 前 5 个元素为:n,x) （5）输出 mtcar 数据的前 3 行元素。import

4、pandas as pd mtcars=pd.read_csv(D:桌面实验二datamtcars.csv) x=mtcars:1:3 print(mtcar 数据的前 3 行元素为:n,x) （6）使用 head()和 tail()方法输出前后 5 行数据。import pandas as pd mtcars=pd.read_csv(D:桌面实验二datamtcars.csv) print(mtcar 数据的前 5 行元素为:n,mtcars.head() print(mtcar 数据的后 5 行元素为:n,mtcars.tail()（7）用 loc 和 iloc 分别提取第 1 列和第 3

5、 列的数据。import pandas as pd mtcars=pd.read_csv(D:桌面实验二datamtcars.csv) print(mtcar 数据的第 1 列和第 3 列的数据为:n,mtcars.loc:,mpg,disp) print(mtcar 数据的第 1 列和第 3 列的数据为:n,mtcars.iloc:,1,3) （8）取出列名为 mpg、hp，行名为 2，3，4 的数据。import pandas as pd mtcars=pd.read_csv(D:桌面实验二datamtcars.csv) print(列名为 mpg、hp，行名为 2，3，4 的数据为:n,

6、mtcars.loc2:4,mpg,hp) （9）取出列位置为 2 和 4，行位置为 5，6，7 的数据。import pandas as pd mtcars=pd.read_csv(D:桌面实验二datamtcars.csv)print(列位置为 2 和 4，行位置为 5，6，7 的数据为:n,mtcars.iloc5:8,2,4) #前闭后开区间 （10）取出列位置为 3，行名为 2-6 的数据。import pandas as pd mtcars=pd.read_csv(D:桌面实验二datamtcars.csv) print(列位置为 3，行名为 2-6 的数据为:n,mtcars.l

7、oc2:6,disp) （11）新增 1 列，名称为 abc（abc=mpg+hp），输出前 5 行数据。import pandas as pd mtcars=pd.read_csv(D:桌面实验二datamtcars.csv) mtcarsabc=mtcarsmpg+mtcarshp print(输出前 5 行数据为:n,mtcars.head() （12）删除前两行数据。import pandas as pd mtcars=pd.read_csv(D:桌面实验二datamtcars.csv) print(删除前两行数据前的长度为:n,len(mtcars) mtcars.drop(labe

8、ls=range(0,2),axis=0,inplace=True) print(删除前两行数据后的长度为:n,len(mtcars) print(前五行数据为：n,mtcars.head()（13）删除 abc 列。import pandas as pd mtcars=pd.read_csv(D:桌面实验二datamtcars.csv) mtcarsabc=mtcarsmpg+mtcarshp print(删除 abc 前列索引为:n,mtcars.columns) mtcars.drop(labels=abc,axis=1,inplace=True) print(删除 abc 后列索引为:

9、n,mtcars.columns) 任务 2 导入鸢尾花数据，实现以下操作 特别注意：导入后的 DataFrame 仅含 5 列：Sepal.Length,Sepal.Width,Petal.Length,Petal.Width,Species（1）读入数据，输出前五行 import pandas as pd iris=pd.read_csv(D:桌面实验二datairis.csv) print(前五行的数据为:n,iris.head() （2）统计每个品种的数量 import pandas as pd iris=pd.read_csv(D:桌面实验二datairis.csv)print(每个

10、品种的数量为:n,irisSpecies.value_counts() （3）按品种划分，每个品种的花萼，花瓣的长度和宽度的最大值分别是多少？ import pandas as pd iris=pd.read_csv(D:桌面实验二datairis.csv) print(每个品种的数量为:n,iris.groupby(Species).max() （4）计算每个品种所有属性（花瓣、花萼的长度和宽度）数值的跨度范围，即最大值减去最小值 import pandas as pd iris=pd.read_csv(D:桌面实验二datairis.csv) def range_iris(arr): re

11、turn arr.max()-arr.min() print(每个品种所有属性数值的跨度范围为:n,iris.groupby(Species).agg(range_iris) （5）计算每个品种所有属性（花瓣、花萼的长度和宽度）数值的平均值、最大值 import pandas as pd iris=pd.read_csv(D:桌面实验二datairis.csv) print(每个品种所有属性数值的平均值、最大值为:n, iris.groupby(Species).mean(),iris.groupby(Species).max()任务 3从 excel 文件 foods.xlsx 读取数据，并

12、将 ID 列作为索引。（1）输出该 DataFrame。import pandas as pd foods=pd.read_excel(D:桌面实验二datafoods.xlsx) print(输出为:n,foods) （2）生成如下样式的透视表，统计不同产地和类别食品价格及数量的平均值。 import pandas as pd foods=pd.read_excel(D:桌面实验二datafoods.xlsx) print(透视表为:n,foods.pivot_table(价格,数量,index=产地,columns=类别) （3）生成如下样式的透视表，统计不同产地和类别食品价格的最大值，缺

13、失值填充 0。import pandas as pd foods=pd.read_excel(D:桌面实验二datafoods.xlsx) print(透视表为:n,foods.pivot_table(价格,index=产地,columns=类别,fill_value=0) （4）生成如下样式的透视表，统计不同产地和类别食品价格的均值，缺失值填充 0，并提供分项统计。 import pandas as pd foods=pd.read_excel(D:桌面实验二datafoods.xlsx) print(透视表为:n,foods.pivot_table(价格,index=产地,columns=类别, aggfunc=mean,margins=True) （4）生成如下样式的交叉表，统计不同产地和类别食品的频次。import pandas as pd foods=pd.read_excel(D:桌面实验二datafoods.xlsx) print(透视表为:n,pd.crosstab(foods产地,foods类别)