《Python数据分析与应用》实验二pandas统计分析基础

1、实验二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 pdmtcars=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（mtcars 的元素大小为：n,mtcars.shape）print（mtcars 的表的列名为：n,mtcars.columns）In 1 : runfile（JCr /Us e rs

2、/Ad/nin/. spyde r -py3/ temp -pyJ j wdir= C:/Users/Admin/. spyder-py3r） mtcars的元素个数为：3S4mtcars的元素维度为：2mtcars的元素大小为：（32, 12）mtcars的表的列名为：Index（ Unnamed : & mpg cyl1 disp t hp drat t Rwt t qsec p vs 1 F am geart carbdtype=,object）（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

3、（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（）In 2: runfile（ JC:/Users/Adrnin/. spyder-py3/temp-pyJj wdir= 对整个mtca数据集进行描述性统计为：mpgcyldisp amcount32.mean2&.0906256.1875&23&.721S75.0.46253.std6.9269481.785922123.938694.0.4989910.min10.40904,明豹的71.100&9.。，丽丽丽3.25%L5.425&94.0000S

4、&120.B25&9.0.&0000&3.5&%19.200&S06.0000&S196.300&0.0.&0000&4.75%22.800S&08.0000S&B26.000&9.1.&0000&4.max33.9&0&S08.0&00&S472 .阳如阳.1. &5.JC:/Users/Admin/.spyder-py3J）gearcarb.6875002.&125.7378041,6152.&0000&2.&S00.&0000&8.&S008 rows x 11 columns（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

5、pandas as pdmtcars=pd.read_csv（D:桌 面 实验二 datamtcars.csv）x=mtcars.loc:,cyl,carb,mpg,hpy=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 pdmtcars=pd.read_csv(D:桌 面 实验二 datamtcars.csv)x=mtcarsmpg,hp:5print(mpg 和 hp 前 5 个元素为:n,x)In 4: ru

6、nfile( JCr/Users/Adffin/. spyder-py3/tmp.py，丁 wdir=JC:/Users/Admin/ spyder-py3J) mpgflhp前5个无素为:：mpg hp0 21.0 11021.0 11022.89321.4 11018/7 175(5)输出mtcar数据的前3行元素。import pandas as pdmtcars=pd.read_csv(D:桌 面 实验二 datamtcars.csv)x=mtcars:1:3print(mtcar数据的前3行元素为:n,x)In 5: runfilef1C:/Users/Admin/. spyder-

7、py3/temp. py t wdir = C:/Users/Admin/.spyder-py31) mtcar教据的前3行元素为：Unnamed: & mpg cyl disp hp drat i/t qsec vs am gear carbMazda RX4Nag：21. &6160,611.3.9&2.87517.02&144Datsun716-22.84108.&933.852.32&IS.611141(6)使用head()和tail()方法输出前后5行数据。import pandas as pdmtcars=pd.read_csv(D:桌 面 实验二 datamtcars.csv)p

8、rint(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()In 6: run file （ JC; /Us ers/Admin/. spyder -py3/ temp ratEP数据的前5行元表为:Unnamed: 0 mpg cyl disp hp 0Mazda RX421.&6160.0110Mazda RX4 Uag21,06160.0110Datsun 71022.S4108.093Hornet 4 Drive21,46258.11.Hornet Sportabout 18,7S 360.0

9、 175 .pyJ j wd ir=r C; /Us ers/Admin/. spyder -py3J） qsec vs am gear carb16.4614417.02014418.61114119.44103117.O200325 rows x 12 columns rntcar数据的后5行元素为：Unnamed: & mpgLotus Europa B&.4Ford Pantera L 15.8FerrariDino19.73&MaseratiBora15.031Vo1ao142E21 4守48684L disp hp ,95.1 113 351,0 264 145.0 175 301

10、.0 335 121-0 109 qsec vs16,910018-61a in11111gear55554carb246825rows x 12 columns(7)用loc和iloc分别提取第1列和第3列的数据。import pandas as pdmtcars=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）In 7: runfile（ 己spyd巴己ff

11、ip.dir=C:/Users/Admin/, spy-der-py3J）Mb教据的第1列和第3列的数据为：mpg disp021.0160.0121.0160.0222-8108.0321.4258.0418/7360.0518,1225.0614.3360.0724.4146/7S22,8140,8919.2167.61017.8167.61116.4275,81217.3275,81315.2275,81410.4472.01510.4460.01614/7440.01732.478/71830.475 ?71933,971,12021.5120,12115.5318.02215.230

12、4.02313.3350.0踏19.240.025-27.379.02626,0LZ0.3279 5.115-S351西15.7145. G30-15.03&1.03121 .4121.6Me数据的第列和第M列的数据为：dip021.016 0.6121.016 0.0222.816-8.6321 .425S.04-IE-7360.05IB-1Z258514.3360.0724.4146.7822,8140 . B919.2167. 6L017.0167.61116.4275-81Z17.3275-81315.2275-8L41*0.4472.01516.4LG14,744.&L732.47S

13、. 7IS3G.475-7L933.971.12921.5120.12115.5318-02215.2304-02313.3350-02419.22527.379.02626.0120. 3273&.495-12S15 ,S351.02919,7145. &15 ,&m眦.83121.4121. &取出列名为mpg、hp，行名为2, 3, 4的数据。import pandas as pdmtcars=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,mtcars.loc2:4,mpg,hp)In 8

14、 s ru n f ile ( J C: /Us er s/ZIdmin/. spyder-py3/ temp - pyJ wd ir=J C; /Us er s/Admin/. spyder -py3r) 列名为叩目、hp，行名为W，3, 4的数据为：mpg hp22.89321.4 11018.7 175取出列位置为2和4,行位置为5, 6, 7的数据。import pandas as pdmtcars=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

15、区间In 9 s runfilef JC:/Users/Admin/. spyder-py3/temp-pyr j wd ir=1C:/Users/Admin/. spydr-py3J) 列位-置-为w和4,行位置为5，E，7的数据为： cyl hp TOC o 1-5 h z 61058245462取出列位置为3,行名为2-6的数据。import pandas as pdmtcars=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.loc2:6,disp)（11）新增1列，名称为abc（abc=m

16、pg+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+mtcarshpprint(输出前 5 行数据为:n,mtcars.head()In 11: runfile ( JCr/Users/Admin/. spyd&r-py3/temp- pyJj 输出前5-行数据为：Unnamed: & mpg cyl disp hp- . . . vs&Mazda RX421. &616&. 911. . .0Mazda RX4 Uag21.0616&. 011.

17、 . .0Datsun 71022.84108.993.1Hornet 4 Drive21.46258.011.0. . .1Hornet Sportabout IS.78 36&.9 175.0wdir=JCr/Us ers/Admin/.spyd&r-py3x)am gear carbabc144 131.0144 131.0141 115.8031 131.4032 193/75rows k 13 columns(12)删除前两行数据。import pandas as pdmtcars=pd.read_csv(D:桌 面 实验二 datamtcars.csv) print (删除前两行数

18、据前的长度为:n,len(mtcars) mtcars.drop(labels=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()In 12: runfile(rC:/Users/.spyder-py3/temp-pyfj wdir=JC:/Users/Admin/.spyder-pySJ) 删除前两行数据前的长度为:32删除前两行数据后的长度为=3前五行数据为：Unnamed: mpg cyl disp hp qsec vs am gear carbDat

19、sun 710 22.84 108.093 18,611141Hornet 4 Drive 21.46 258.0 1119.441031Hornet Sport a bout18/78360.0175 17020032Valiant18,16225.010520.221031Duster 360 14.38 360.0 245 15.8400345 rows x 12 columns(13)删除abc列。import pandas as pdmtcars=pd.read_csv(D:桌 面 实验二 datamtcars.csv)mtcarsabc=mtcarsmpg+mtcarshpprin

20、t(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:n,mtcars.columns)In 13 : runfile( JC:/Users/Adniin/. spyder-py3/temp- pyJj wdir =JCr/Users/Admin/. spyder-py3 删踪ahc前列索引为：Index( Unnamed: & t mpgt cyl11 Fdisp t hp drat11 wt qsec t 1 vs am geart carb abct dt

21、ype=object)删除北匚后列索引为二Index( Unnaimed : j mpg j cyl j disp j hpdrat j wtv j qsec B j vs F j am pgearj carbj dtype=Fobject1)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读入数据，输出前五行import pandas as pdiris=pd.read_csv(D:W 实验二 datairis.csv)print(前五行的数据为:

22、n,iris.head()In 14 s runfilef JC:/Users/Admin/. spyder-py3/temp- pyJ j wdir=JC;/Users/Admin/. spyder-py3r)前五行的数据为：Unnamed! 9Sepal.LengthSepal.WidthPetal.LengthPetal.WidthSpecies015.13.5L40.2setosa124.93,01.40.2setosa234/73.21-3.2setosa344.63,1L50.2setosa455.03.61.40.2setosa统计每个品种的数量import pandas as

23、pdiris=pd.read_csv(D:W 实验二 datairis.csv) print(每个品种的数量为:n,irisSpecies.value_counts()In 15 s runfilef JCr/Users/Admin/. spyder-py3/temp. pyJ j wdir= JC:/Users/4dmin/. spyc/&r-py3J) 每个品制的数里为： versicolor 5 virginica50setosa50Nlame: SpecieSj dtype: int64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 p

24、d 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()In 16 s runfile ( rCr/Users/Admin/. spyder-py3/temp. pjzJj wdir=JC:/Users/Admin/. pyder-py3J)每个品种的数里为：Unnamed: 0SpeciesSepal.LengthSepal.WidthPetal. LengthPetal.Widthsetosa505.84.4L99.6versicolor1007.03.45.11,8vir

25、ginica1507.93.86.92.5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 pdiris=pd.read_csv(D:W 实验二 datairis.csv)def range_iris(arr):return 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)In 17: runfile ( I:/UEJLm/AdtTti/.务pyd巴尸一pyM/t巴用ppywdir=/Users/Admin/. spy

26、der-py3r)每个品种所有属性数值的跨度范围为：Unnamed : & Sepal. Length Sepal .Width Petal. L-ength Petal.Width Speciessetosa491.52.1矶90.5versicolor492.11,42.10,8virginica493.01.62.41,1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 pdiris=pd.read_csv(D:W 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(Spec

27、ies).mean(),iris.groupby(Species).max()In 18: runfile（ xC:/Users/Admin/, spyder-py3/teppyTj wdir=JC;/Users/Admin/. spyder-py3每个品种所有属性数值的平均值、最大值为：Sepal.WidthPetal.LengthPetal.WidthUnnamed: Sepal,LengthSpeciessetosa25.55.0063 .4281.4629.246versicolor75.55,9362.7704.2601.326virginica125.56.5882.9745.55

28、22.926Unnamed: &Sepal, LengthSepal.WidthPetal.LengthPetal.WidthSpeciessetosa55.84.41.90.6versicolor133.45. 11.8virginica1507.93.86. 92.5任务3从excel文件foods.xlsx读取数据，并将ID列作为索引。（1）输出该 DataFrame。import pandas as pdfoods=pd.read_excel（D:桌面 实验二 datafoods.xlsx） print（输出为:n,foods）In 19: runfilef JC:/Users/Adj

29、nin/. spyder-py3/temp PPJ j wdir=JC:/Users/Admin/. spyder-py3J） 输出为ID 产地伯格数里水果类别01美国55苹果水:果2中国55梨水果3中国盟9草莓水果4中国33番茄蔬菜5新西兰3 W黄瓜蔬菜6新西兰1319羊肉肉类E7美国208牛肉肉类（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。价格数量类别 水果肉娄蔬菜水果肉玺蔬菜产地中国7.5NaN3.07.0NaNS.O新西兰NaM13 03.0NaN10.02.0美国5.020.0NaN5.08.0NaNimport pandas as pdfoods=pd.r

30、ead_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）In 20 : runfilef JC;/Usrs/Admin/. spyder-py3/temp- pyJ j wdir=JCr/Users/Admin/. spyder-py3J）透祈表为：价格数里类别 水果 肉类蔬菜水果 肉类蔬菜中国 7.5 NaN 3.0 7.0 PlaPI 3.0新西兰13.0 3.0 Ha PI 10. 9 2.9美国 5.0 2&.& Ha PI8.0- Ha PI生成如下样式的透视表，统计不同产地和类别食品价