pandas的排序、分组groupby及cumsum累计求和的方法

这篇文章主要介绍了pandas的排序、分组groupby及cumsum累计求和的方法的相关知识，内容详细易懂，操作简单快捷，具有一定借鉴价值，相信大家阅读完这篇pandas的排序、分组groupby及cumsum累计求和的方法文章都会有所收获，下面我们一起来看看吧。

生成一列sum_age 对age 进行累加

df['sum_age'] = df['age'].cumsum()print(df)

生成一列sum_age_new 按照 gender和is_good 对age进行累加

df['sum_age_new'] = df.groupby(['gender','is_good'])['age'].cumsum()print(df)

根据不同的性别对年龄进行 等级 排序

df['rank_g'] = df.groupby(['gender'])['age'].rank()print(df)

这里的 rank( ) 即 'rank_g' ，并不是按照1、2、3、4、、依次排

按照官方文档的意思，该函数是沿着某个轴来计算数值数据等级(1到n)。默认情况下，为相等的值分配同一个等级，该等级是这些值的等级的平均值。

例子：

import pandas as pdobj = pd.Series([7,-5,7,4,2,0,4])print(obj.rank())

代码对 [7, -5, 7, 4, 2, 0, 4] 进行从小到大地排序，很明显地，可以排成 [-5, 0, 2 ,4, 4, 7, 7]，数值7有第6和第7两个位置，那应该排序应该排到第几级？根据官方文档，取平均值，(6+7)/2=6.5，所以两个7的等级都为6.5，同理可得两个4的等级都为(4+5)/2=4.5。

输出：

0    6.5
1    1.0
2    6.5
3    4.5
4    3.0
5    2.0
6    4.5
dtype: float64

对数据排序之后，分组，并累计求和

# 对Start Time进行排序，Connection Type分组，temp进行累计求和cumsumwsw_1 = wsw.sort_values(['Start Time'])wsw_1.loc[:, 'Connection Number'] = wsw_1.groupby(['Connection Type'])['temp'].cumsum()

这里如果不对start time排序，Connection Number不会按时间顺序，统计drilling、tripping 的number数

pandas分组排序功能

在一个班级里，学生考试科目有语文、数学、英语，分别有对应的成绩。

现在，想要列出每个科目班级的前五名的情况，要求包含科目、姓名、成绩、名次。

通过以下代码实现：

import pandas as pda=['小红','小绿','小蓝','小白','小青','小紫','小粉','小傻','小红','小绿','小蓝','小白','小青','小紫','小粉','小傻','小红','小绿','小蓝','小白','小青','小紫','小粉','小傻']b=['语文','语文','语文','语文','语文','语文','语文','语文','数学','数学','数学','数学','数学','数学','数学','数学','英语','英语','英语','英语','英语','英语','英语','英语']c=[97,65,23,43,67,23,55,98,56,45,67,78,98,45,87,65,67,23,55,98,56,45,67,78]len(a),len(b),len(c)df=pd.DataFrame({'name':a,'kemu':b,'score':c})df2=df.sort_values(['kemu','score','name'], ascending=[1, 0,1])df2['rn']=df2.groupby(['kemu']).rank(method='first',ascending =0)['score']df2[df2['rn']<=5]''''

关于“pandas的排序、分组groupby及cumsum累计求和的方法”这篇文章的内容就介绍到这里，感谢各位的阅读！相信大家对“pandas的排序、分组groupby及cumsum累计求和的方法”知识都有一定的了解，大家如果还想学习更多知识，欢迎关注编程网行业资讯频道。