教育
代碼：
import?pandas?as?pd
f?=?open('運動員信息表.csv')
data=pd.read_csv(f,skiprows=0,header=0)
print(data)運行結果：
首先使用pd.read_csv(f,skiprows=0,header=0)進行數據的讀取，并且將數據轉換成為dataframe的格式給對象，做初始化，方便后面進行數據的分析。
2、統計男籃、女籃運動員的平均年齡、身高、體重代碼：
sex=data[["年齡（歲）","身高(cm)","體重(kg)"]].groupby(data["性別"]) print(sex.mean())
運行結果：
首先我們先把數據提取出來做個分組，先把"年齡（歲）",“身高(cm)”,"體重(kg)"這三行數據提取出來再根據性別進行分組。
sex=data[["年齡（歲）","身高(cm)","體重(kg)"]].groupby(data["性別"])
然后再調用mean()求平均值，求出男籃、女籃運動員的平均年齡、身高、體重。
3、統計男籃運動員年齡、身高、體重的極差值代碼：
sex=data[["年齡（歲）","身高(cm)","體重(kg)"]].groupby(data["性別"])
basketball_male=dict([x?for?x?in?sex])['男']
basketball_male
#求極差
def?range_data_group(arr):
????return?arr.max()-arr.min()
#進行每列不同的聚合
basketball_male.agg({
"年齡（歲）":range_data_group,"身高(cm)":range_data_group,"體重(kg)":range_data_group
})運行結果：
首先提取數據：
單行循環提取數據，dict([x for x in sex])在循環體內的語句只有一行的情況的下，可以簡化for循環的書寫。定義一個函數def range_data_group(arr):求極差；
極差的求法：使用最大值減去最小值。就得到極差。
agg()函數：DataFrame.agg（*func*，*axis = 0*，* args*，*** kwargs* ）*
func : 函數，函數名稱，函數列表，字典{‘行名/列名’，‘函數名’}
使用指定軸上的一個或多個操作進行聚合。
需要注意聚合函數操作始終是在軸（默認是列軸，也可設置行軸）上執行，不同于 numpy聚合函數
最后我們可以得到三列數據：分別對應"年齡（歲）",“身高(cm)”,“體重(kg)”。
4 、統計男籃運動員的體質指數4.1添加體重指數代碼：
data["體質指數"]=0 data
運行結果：
添加一行體重指數：data[“體質指數”]=0
4.2計算bmi值并添加數據代碼：
#?計算bmi數值 def?outer(num): ????def?bminum(sumbim): ????????weight=data["身高(cm)"] ????????height=data["體重(kg)"] ????????sumbim=weight/(height/100)**2 ????????return?num+sumbim ????return?bminum
將該行數據添加上去：
代碼：
#?調用函數 bimdata=data["體質指數"] data["體質指數"]=data[["體質指數"]].apply(outer(bimdata)) data
運行結果:
編寫函數計算bmi數值 outer(num)；然后再使用apply的方法將自定義的函數應用到"體質指數"這一列。然后計算出該列的值之后進行賦值。
data[“體質指數”]=data[[“體質指數”]].apply(outer(bimdata))97622)]
編寫函數計算bmi數值 outer(num) ；然后再使用apply的方法將自定義的函數應用到"體質指數"這一列。然后計算出該列的值之后進行賦值。
data[“體質指數”]=data[[“體質指數”]].apply(outer(bimdata))
到此這篇關于Python數據分析處理，運動員信息的分組與聚合的文章就介紹到這了。更多相關Python數據分析處理內容請搜索好二三四，希望大家以后多多支持好二三四！
