3.1 數(shù)據(jù)的爬取

代碼：

import pandas as pd
f = open('運(yùn)動員信息表.csv')
data=pd.read_csv(f,skiprows=0,header=0)
print(data)

運(yùn)行結(jié)果：

首先使用pd.read_csv(f,skiprows=0,header=0)進(jìn)行數(shù)據(jù)的讀取，并且將數(shù)據(jù)轉(zhuǎn)換成為dataframe的格式給對象，做初始化，方便后面進(jìn)行數(shù)據(jù)的分析。

3.2統(tǒng)計(jì)男籃、女籃運(yùn)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(yùn)行結(jié)果：

首先我們先把數(shù)據(jù)提取出來做個分組，先把"年齡（歲）",“身高(cm)”,"體重(kg)"這三行數(shù)據(jù)提取出來再根據(jù)性別進(jìn)行分組。

sex=data[["年齡（歲）","身高(cm)","體重(kg)"]].groupby(data["性別"])

然后再調(diào)用mean()求平均值，求出男籃、女籃運(yùn)動員的平均年齡、身高、體重。

3.3統(tǒng)計(jì)男籃運(yùn)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(jìn)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(yùn)行結(jié)果：

首先提取數(shù)據(jù)：

單行循環(huán)提取數(shù)據(jù)，dict([x for x in sex])在循環(huán)體內(nèi)的語句只有一行的情況的下，可以簡化for循環(huán)的書寫。定義一個函數(shù)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(shù)：DataFrame.agg（*func*，*axis = 0*，* args*，*** kwargs* ）*

func : 函數(shù)，函數(shù)名稱，函數(shù)列表，字典{‘行名/列名’，‘函數(shù)名’}

使用指定軸上的一個或多個操作進(jìn)行聚合。

需要注意聚合函數(shù)操作始終是在軸（默認(rèn)是列軸，也可設(shè)置行軸）上執(zhí)行，不同于 numpy聚合函數(shù)

最后我們可以得到三列數(shù)據(jù)：分別對應(yīng)"年齡（歲）",“身高(cm)”,“體重(kg)”。

3.4 統(tǒng)計(jì)男籃運(yùn)動員的體質(zhì)指數(shù)

3.4.1添加體重指數(shù)

代碼：

data["體質(zhì)指數(shù)"]=0
data

運(yùn)行結(jié)果：

添加一行體重指數(shù)：data[“體質(zhì)指數(shù)”]=0

3.4.2計(jì)算bmi值并添加數(shù)據(jù)

代碼：

# 計(jì)算bmi數(shù)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(shù)據(jù)添加上去：

代碼：

# 調(diào)用函數(shù)
bimdata=data["體質(zhì)指數(shù)"]
data["體質(zhì)指數(shù)"]=data[["體質(zhì)指數(shù)"]].apply(outer(bimdata))
data

運(yùn)行結(jié)果:

編寫函數(shù)計(jì)算bmi數(shù)值 outer(num)；然后再使用apply的方法將自定義的函數(shù)應(yīng)用到"體質(zhì)指數(shù)"這一列。然后計(jì)算出該列的值之后進(jìn)行賦值。

data[“體質(zhì)指數(shù)”]=data[[“體質(zhì)指數(shù)”]].apply(outer(bimdata))
97622)]

編寫函數(shù)計(jì)算bmi數(shù)值 outer(num) ；然后再使用apply的方法將自定義的函數(shù)應(yīng)用到"體質(zhì)指數(shù)"這一列。然后計(jì)算出該列的值之后進(jìn)行賦值。

data[“體質(zhì)指數(shù)”]=data[[“體質(zhì)指數(shù)”]].apply(outer(bimdata))

到此這篇關(guān)于Python數(shù)據(jù)分析處理 運(yùn)動員信息的分組與聚合的文章就介紹到這了,更多相關(guān)Python數(shù)據(jù)分析處理 內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！