标签： wps电脑版的下载入口的方法

　　按照普通的mean来求菜品的均价无法计算（中间可能会有重复的菜品）；

　　但按照类别对菜品进行分类获取的菜品是唯一的，这就用到了astype()方法并配合category（类别）来完成

　　普通求法：

　　

　　获得的count会有重复，这就会用到astype

　　

　　

　　将本身的数据类型转换成符合条件的时间日期型，方便数据操作

　　

　　序列的.dt方法其实就是datatime方法的转换

　　

　　（1）groupby()方法

　　groupby参数：

　　

　　分组获取指定列对象

　　

　　获取的是DataFrameGroupBy 对象

　　但对于DataFrameGroupBy取出的就是SeriesGroupBy对象

　　我们可以对分组后的对象进行一些操作：如均值

　　

　　亦可以对分组后的对象进行一些聚合操作

　　

　　说明：可以进行分组，分组后的所有列只能使用一种聚合函数操作

　　注意：如果想让不同的列进行不同的聚合操作，需要写两次代码

　　（1）agg()方法

　　agg，aggregate 方法都支持对每个分组应用某函数，包括 Python 内置函数或自定义函数。 同时这两个方法能够也能够直接对 DataFrame 进行函数应用操作。在正常使用过程中，agg 函数和 aggregate 函数对 DataFrame 对象操作时功能几乎完全相 同，因此只需要掌握其中一个函数即可。它们的参数说明如下表

　　

　　以我们之前的所学无法求不同列的均值，和等聚合操作；但利用agg方法我们可以来做个尝试

　　求不同列的和

　　

　　说明：agg函数解决了让不同的列可以进行不同的聚合操作

　　① 使用方法1

　　对counts和amounts进行均值、求和操作

　　 WPS office电脑版的下载地址在哪里

　　② 使用方法2

　　对counts进行求和操作，对amounts进行均值操作

　　wps官网的下载方法是什么

　　③ 使用方法3

　　对一个列进行多个聚合操作，

　　

　　④ 使用方法4

　　实现将自定义函数作为聚合函数统计函数

　　

　　（2）在分组的基础上进行聚合操作
wps电脑版的下载入口的方法
　　即DataFrameGroupBy.聚合操作

　　

　　（3）apply()方法wps官网最新的下载的方法是什么

　　注意：agg与apply的区别：

　　主要区别在于

　　apply是对整个表格中的数据进行聚合操作而agg方法可以让不同的字段应用不同的聚合函数

　　相同之处就是：

　　都可以对分组后的数据进行聚合操作

　　

　　apply仅支持对某些列或所有数据进行聚合操作，但满足不了不同的列应用不同的聚合操作

　　

　　因为参数是func，亦可以完成多个聚合操作

　　

　　在分组后也可以使用apply进行聚合操作

　　

　　（4）transform()方法

　　transform 方法能够对整个 DataFrame 的所有元素进行操作。且 transform 方法只有一个 参数“func”，表示对 DataFrame 操作的函数。同时 transform 方法还能够对 DataFrame 分组后的对象 GroupBy 进行操作，可以实现组 内离差标准化等操作。若在计算离差标准化的时候结果中有 NaN，这是由于根据离差标准化公式，最大值和 最小值相同的情况下分母是 0。而分母为 0 的数在 Python 中表示为 NaN。

　　func表名可以传入函数对其聚合操作，自定义函数进行离差标准化操作

　　 wps的官网的下载地址在哪里

　　① 对于离差标准化

　　agg/apply/transform都可以用来做离差标准化；因为参数中都有func，都可以自定义函数

　　

　　注意：不能用分组后的数据来进行离差标准化；分组后取counts是一组一组的，不是一个一个的数据

　　通过离差标准化可以计算方差或标准差

　　衡量数据离散程度可以使用方差或标准差

　　

　　不使用离差标准化会因为单位不同等原因造成方差的结果很大，对实际不符

　　利用 pivot_table 函数可以实现透视表，pivot_table()函数的常用参数及其使用格式如下

　　

　　pivot_table自带聚合函数mean操作（默认的）在不特殊指定聚合函数 aggfunc 时，会默认使用 numpy.mean 进行聚合运算，numpy.mean 会自动过滤掉非数值类型数据。可以通过指定 aggfunc 参数修改聚合函数。index相当于分组;如下面对order_id分组；和 groupby 方法分组的时候相同，pivot_table 函数在创建透视表的时候分组键 index 可 以有多个通过设置 columns 参数可以指定列分组当全部数据列数很多时，若只想要显示某列，可以通过指定 values 参数来实现。当某些数据不存在时，会自动填充 NaN，因此可以指定 fill_value 参数，表示当存在缺 失值时，以指定数值进行填充可以更改 margins 参数，查看汇总数据。

　　

　　按order_id分组，并求均值

　　如果想要指定聚合函数aggfunc=’'

　　aggfunc=’'内置是字符串可以直接写聚合函数，但最好用numpy.方法;可以提示，防止写错

　　

　　交叉表是一种特殊的透视表，主要用于计算分组频率。利用 pandas 提供的 crosstab 函数 可以制作交叉表，crosstab 函数的常用参数和使用格式如下

　　

　　由于交叉表是透视表的一种，其参数基本保持一致，不同之处在于 crosstab 函数中的 index，columns，values 填入的都是对应的从 Dataframe 中取出的某一列。

　　交叉表和透视表的index区别：交叉表index不能直接跟字段名‘order_id’，跟的是字段值detail[‘order_id’]

　　

　　columns为对应列的所有数据作为交叉表的列，values是对应数量放在对应列下，aggfunc=numpy.sum是把分组order_id的所有内容加到一行

　　

　　注意：drop_duplicates默认是对这一行的所有数据进行比对，完全一样才会骑去重；我们可以通过subset=[’’,’’]来指定几个字段去重

　　inplace=False有返回值，不作用在原数据上；inplace=True无返回值，作用在原数据上

　　对序列进行排序用sort_values

　　

　　ascending有两个值：True和False，升序和降序

　　注意：若是之前的表格改变，而且排序后再将值赋给表格会报错，可能是行缺失，可能是排序后值不匹配；所以用inplace=False

　　mask.values为False的则不显示，True的显示。通过判断有多少行来求离职的，除以所有的，即为离职率

　　

　　对一个序列对象如果单纯的想获取值，可以使用values属性

　　根据上面的代码我们可以利用Boolean值相加减来获得离职的人数，以此来求离职率

　　

　　这种方式取出为空，因为你没有索引让他列出值