.sort_index()方法在指定轴上根据索引进行排序，默认升序
格式： .sort_index(axis=0, ascending=True)其中ascending为递增排序
import pandas as pd
import numpy as np
b = pd.DataFrame(np.arange(20).reshape(4,5), index=['a','d','c','b'])
0 1 2 3 4
a 0 1 2 3 4
d 5 6 7 8 9
c 10 11 12 13 14
b 15 16 17 18 19
b.sort_index()
0 1 2 3 4
a 0 1 2 3 4
b 15 16 17 18 19
c 10 11 12 13 14
d 5 6 7 8 9
b.sort_index(ascending=False)
0 1 2 3 4
d 5 6 7 8 9
c 10 11 12 13 14
b 15 16 17 18 19
a 0 1 2 3 4
.sort_values()方法在指定轴上根据数值进行排序，默认升序
格式： Series.sort_values(axis, ascending=True)或 DataFrame.sort_values(by, axis=0, ascending=True)
by:axis轴上的某个索引或索引列表。NaN统一放到排序末尾。
import pandas as pd
import numpy as np
b = pd.DataFrame(np.arange(20).reshape(4,5), index=['c','a','d','b'])
0 1 2 3 4
c 0 1 2 3 4
a 5 6 7 8 9
d 10 11 12 13 14
b 15 16 17 18 19
a = b.sort_values(2,ascending=False)
0 1 2 3 4
b 15 16 17 18 19
d 10 11 12 13 14
a 5 6 7 8 9
c 0 1 2 3 4
a = a.sort_values('a', axis=1, ascending=False)
4 3 2 1 0
b 19 18 17 16 15
d 14 13 12 11 10
a 9 8 7 6 5
c 4 3 2 1 0
基本的统计分析函数
适用于Series和DataFrame类型
方法说明.sum()计算数据的总和，按0轴计算，下同.count()非NaN值的数量.mean() .median()计算数据的算术平均值、算术中位数.var() .std()计算数据的方差、标准差.min() .max()计算数据的最小值最大值
适用于Series类型
方法说明.argmin() .argmax()计算数据最大值、最小值所在位置的索引位置（自动索引）.inxmin() .idxmax()计算数据最大值、最小值所在位置的索引（自定义索引）
import pandas as pd
a = pd.Series([9,8,7,6], index=['a','b','c','d'])
a 9
b 8
c 7
d 6
dtype: int64
a.describe()
count 4.000000
mean 7.500000
std 1.290994
min 6.000000
25% 6.750000
50% 7.500000
75% 8.250000
max 9.000000
dtype: float64
适用于Series和DataFrame类型
方法说明.cumsum()依次给出前1、2、…、n个数的和.sumprod()依次给出前1、2、…、n个数的积.cummax()依次给出前1、2、…、n个数的最大值.cummax()依次给出前1、2、…、n个数的最小值
import pandas as pd
import numpy as np
b = pd.DataFrame(np.arange(20).reshape(4,5), index=['c','a','d','b'])
0 1 2 3 4
c 0 1 2 3 4
a 5 6 7 8 9
d 10 11 12 13 14
b 15 16 17 18 19
b.cumsum()
0 1 2 3 4
c 0 1 2 3 4
a 5 7 9 11 13
d 15 18 21 24 27
b 30 34 38 42 46
b.cummin()
0 1 2 3 4
c 0 1 2 3 4
a 0 1 2 3 4
d 0 1 2 3 4
b 0 1 2 3 4
b.cummax()
0 1 2 3 4
c 0 1 2 3 4
a 5 6 7 8 9
d 10 11 12 13 14
b 15 16 17 18 19
b.cumprod()
0 1 2 3 4
c 0 1 2 3 4
a 0 6 14 24 36
d 0 66 168 312 504
b 0 1056 2856 5616 9576
适用于Series和DataFrame类型，滚动计算（窗口计算）
方法说明.rolling(w).sum()依次计算相信w个元素的和.rolling(w).mean()依次计算相信w个元素的算术平均值.rolling(w).var()依次计算相信w个元素的方差.rolling(w).std()依次计算相信w个元素的标准差.rolling(w).min().max()依次计算相信w个元素的最小值和最大值
import pandas as pd
import numpy as np
b = pd.DataFrame(np.arange(20).reshape(4,5), index=['c','a','d','b'])
0 1 2 3 4
c 0 1 2 3 4
a 5 6 7 8 9
d 10 11 12 13 14
b 15 16 17 18 19
b.rolling(2).sum()
0 1 2 3 4
c NaN NaN NaN NaN NaN
a 5.0 7.0 9.0 11.0 13.0
d 15.0 17.0 19.0 21.0 23.0
b 25.0 27.0 29.0 31.0 33.0
b.rolling(2).mean()
0 1 2 3 4
c NaN NaN NaN NaN NaN
a 2.5 3.5 4.5 5.5 6.5
d 7.5 8.5 9.5 10.5 11.5
b 12.5 13.5 14.5 15.5 16.5
b.rolling(3).var()
0 1 2 3 4
c NaN NaN NaN NaN NaN
a NaN NaN NaN NaN NaN
d 25.0 25.0 25.0 25.0 25.0
b 25.0 25.0 25.0 25.0 25.0
b.rolling(3).std()
0 1 2 3 4
c NaN NaN NaN NaN NaN
a NaN NaN NaN NaN NaN
d 5.0 5.0 5.0 5.0 5.0
b 5.0 5.0 5.0 5.0 5.0
b.rolling(3).min().max()
0 5.0
1 6.0
2 7.0
3 8.0
4 9.0
dtype: float64
Original: https://blog.csdn.net/qq_51778415/article/details/113819464
Author: 殇小气
Title: Pandas数据的排序与统计
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/756636/
转载文章受原作者版权保护。转载请注明原作者出处！