In [1]: import pandas as pd
- Titanic data
本教程使用泰坦尼克号数据集，存储为CSV格式。数据包括以下数据列：
PassengerId: 每位乘客的ID。
幸存者：乘客是否幸存的指示。
0表示是，1表示否。Pclass：三种票等级之一：等级
1、等级2和等级3。名称：乘客的姓名。
Sex: 乘客的性别。
年龄：乘客的年龄（岁）。
SibSp: 船上兄弟姐妹或配偶的数量。
Parch: 父母或孩子在船上的数量。
票：乘客的票号。
票价：指示票价。
Cabin: 乘客的舱位号。
Embarked: 登船港口。
In [2]: titanic = pd.read_csv("data/titanic.csv") In [3]: titanic.head() Out[3]: PassengerId Survived Pclass Name Sex Age SibSp Parch Ticket Fare Cabin Embarked 0 1 0 3 Braund, Mr. Owen Harris male 22.0 1 0 A/5 21171 7.2500 NaN S 1 2 1 1 Cumings, Mrs. John Bradley (Florence Briggs Th... female 38.0 1 0 PC 17599 71.2833 C85 C 2 3 1 3 Heikkinen, Miss Laina female 26.0 0 0 STON/O2. 3101282 7.9250 NaN S 3 4 1 1 Futrelle, Mrs. Jacques Heath (Lily May Peel) female 35.0 1 0 113803 53.1000 C123 S 4 5 0 3 Allen, Mr. William Henry male 35.0 0 0 373450 8.0500 NaN S
如何计算汇总统计#
聚合统计数据#
泰坦尼克号乘客的平均年龄是多少？
In [4]: titanic["Age"].mean() Out[4]: 29.69911764705882
不同的统计数据是可用的，并且可以应用于具有数值数据的列。通常，操作会排除缺失数据，并默认在行之间进行操作。
泰坦尼克号乘客的中位年龄和票价是多少？
In [5]: titanic[["Age", "Fare"]].median() Out[5]: Age 28.0000 Fare 14.4542 dtype: float64
应用于
DataFrame多个列的统计（选择两列返回一个DataFrame，参见 子集数据教程）是为每个数值列计算的。
聚合统计可以同时为多个列计算。还记得 第一个教程 中的 describe 函数吗？
In [6]: titanic[["Age", "Fare"]].describe()
Out[6]:
Age Fare
count 714.000000 891.000000
mean 29.699118 32.204208
std 14.526497 49.693429
min 0.420000 0.000000
25% 20.125000 7.910400
50% 28.000000 14.454200
75% 38.000000 31.000000
max 80.000000 512.329200
可以使用 DataFrame.agg() 方法定义给定列的聚合统计的特定组合，而不是预定义的统计数据：
In [7]: titanic.agg(
...: {
...: "Age": ["min", "max", "median", "skew"],
...: "Fare": ["min", "max", "median", "mean"],
...: }
...: )
...:
Out[7]:
Age Fare
min 0.420000 0.000000
max 80.000000 512.329200
median 28.000000 14.454200
skew 0.389108 NaN
mean NaN 32.204208
描述性统计的详细信息在用户指南的 描述性统计 部分提供。
按类别分组的聚合统计数据#
男性与女性泰坦尼克号乘客的平均年龄是多少？
In [8]: titanic[["Sex", "Age"]].groupby("Sex").mean() Out[8]: Age Sex female 27.915709 male 30.726645
由于我们的兴趣是每个性别的平均年龄，首先对这两列进行子选择：
titanic[["Sex", "Age"]]。接下来，在Sex列上应用groupby()方法，按类别分组。计算并返回 每个性别 的平均年龄。
计算给定的统计量（例如 mean 年龄）*对于列中的每个类别*（例如 Sex 列中的男性/女性）是一种常见模式。groupby 方法用于支持这种类型的操作。这符合更一般的 split-apply-combine 模式：
分割 数据为组
应用 一个函数到每个独立的分组
Combine 将结果合并到一个数据结构中
应用和合并步骤通常在 pandas 中一起完成。
在之前的例子中，我们明确地先选择了两列。如果没有选择，通过传递 numeric_only=True ，mean 方法会应用到每一列包含数值的列上：
In [9]: titanic.groupby("Sex").mean(numeric_only=True)
Out[9]:
PassengerId Survived Pclass Age SibSp Parch Fare
Sex
female 431.028662 0.742038 2.159236 27.915709 0.694268 0.649682 44.479818
male 454.147314 0.188908 2.389948 30.726645 0.429809 0.235702 25.523893
获取 Pclass 的平均值没有太大意义。如果我们只对每个性别的平均年龄感兴趣，分组数据上的列选择（方括号 [] 如常）也是支持的：
In [10]: titanic.groupby("Sex")["Age"].mean()
Out[10]:
Sex
female 27.915709
male 30.726645
Name: Age, dtype: float64
备注
Pclass 列包含数值数据，但实际上代表3个类别（或因子），分别带有标签‘1’、‘2’和‘3’。对这些数据进行统计计算没有太大意义。因此，pandas 提供了 Categorical 数据类型来处理这种类型的数据。更多信息请参见用户指南 分类数据 部分。
每种性别和客舱等级组合的平均票价是多少？
In [11]: titanic.groupby(["Sex", "Pclass"])["Fare"].mean() Out[11]: Sex Pclass female 1 106.125798 2 21.970121 3 16.118810 male 1 67.226127 2 19.741782 3 12.661633 Name: Fare, dtype: float64
可以通过多列同时进行分组。将列名作为列表提供给
groupby()方法。
关于拆分-应用-合并方法的完整描述在用户指南的 分组操作 部分提供。
按类别统计记录数#
每个舱位的乘客人数是多少？
In [12]: titanic["Pclass"].value_counts() Out[12]: Pclass 3 491 1 216 2 184 Name: count, dtype: int64
value_counts()方法计算列中每个类别的记录数。
这个函数是一个快捷方式，它实际上是一个结合了计算每个组内记录数量的分组操作：
In [13]: titanic.groupby("Pclass")["Pclass"].count()
Out[13]:
Pclass
1 216
2 184
3 491
Name: Pclass, dtype: int64
备注
size 和 count 都可以与 groupby 结合使用。虽然 size 包括 NaN 值并仅提供行数（表的大小），但 count 排除了缺失值。在 value_counts 方法中，使用 dropna 参数来包括或排除 NaN 值。
用户指南在 value_counts 上有一个专门的章节，请参见 离散化 页面。
REMEMBER
聚合统计可以计算在整个列或行上。
groupby提供了 分割-应用-合并 模式的能力。value_counts是一个方便的快捷方式，用于计算变量每个类别中的条目数。
关于拆分-应用-合并方法的完整描述在用户指南页面中关于 分组操作 的部分提供。