Luquiescene

站点统计

文章

57

分类

5

标签

14

总字数

58,715

运行天数

0 天

最后活动

0 天前

公告

欢迎来到Luquiesceneの小屋ヾ(≧▽≦*)o

了解更多

标签

Luquiescene

公告

欢迎来到Luquiesceneの小屋ヾ(≧▽≦*)o

了解更多

标签

AI coding Arduino C++ Git GitHub Python 博客天文学学习笔记工具教程数据科学日常硬件

Luquiescene

公告

欢迎来到Luquiesceneの小屋ヾ(≧▽≦*)o

了解更多

标签

AI coding Arduino C++ Git GitHub Python 博客天文学学习笔记工具教程数据科学日常硬件

站点统计

文章

57

分类

5

标签

14

总字数

58,715

运行天数

0 天

最后活动

0 天前

439 字

1 分钟

笔记｜数据分析学习笔记21｜DataFrame案例

2026-07-04

理工研习

Python

/

数据科学

/

学习笔记

/

教程

本系列所有文章都放在数据科学标签，总目录如下：

合集｜数据分析学习笔记｜系列总目录

上一篇：笔记｜数据分析学习笔记20｜DataFrame的常用方法

21.1 案例概述#

本节通过三个实际案例，综合运用 DataFrame 的创建、列运算、条件筛选、排序和聚合操作。

1
import numpy as np
2
import pandas as pd

21.2 学生成绩分析#

1
data = {
2
    '姓名': ['张三', '李四', '王五', '赵六', '钱七'],
3
    '数学': [85, 92, 78, 88, 95],
4
    '英语': [90, 88, 85, 92, 80],
5
    '物理': [75, 80, 88, 85, 90],
6
}
7
scores = pd.DataFrame(data)
8
print(scores)

输出：

1
   姓名  数学  英语  物理
2
0  张三  85  90  75
3
1  李四  92  88  80
4
2  王五  78  85  88
5
3  赵六  88  92  85
6
4  钱七  95  80  90

计算总分和平均分：

1
scores['总分'] = scores[['数学', '英语', '物理']].sum(axis=1)
2
scores['平均分'] = scores['总分'] / 3
3
print(scores)

输出：

1
   姓名  数学  英语  物理   总分        平均分
2
0  张三  85  90  75  250  83.333333
3
1  李四  92  88  80  260  86.666667
4
2  王五  78  85  88  251  83.666667
5
3  赵六  88  92  85  265  88.333333
6
4  钱七  95  80  90  265  88.333333

sum(axis=1) 按行求和（沿列方向），计算每位学生的三科总分。

筛选条件组合：

1
# 数学高于90分 或 英语高于85分
2
print(scores[(scores['数学'] > 90) | (scores['英语'] > 85)])

输出：

1
   姓名  数学  英语  物理   总分        平均分
2
0  张三  85  90  75  250  83.333333
3
1  李四  92  88  80  260  86.666667
4
3  赵六  88  92  85  265  88.333333
5
4  钱七  95  80  90  265  88.333333

| 表示逻辑或，& 表示逻辑与。注意每个条件需要用括号括起来。

按总分排序取前 3 名：

1
print(scores.nlargest(3, columns='总分'))

输出：

1
   姓名  数学  英语  物理   总分        平均分
2
3  赵六  88  92  85  265  88.333333
3
4  钱七  95  80  90  265  88.333333
4
1  李四  92  88  80  260  86.666667

涉及方法： sum(axis=1)、| 条件组合、nlargest()、新增列运算。

21.3 销售数据分析#

1
data = {
2
    '产品名称': ['A', 'B', 'C', 'D'],
3
    '单价': [100, 150, 200, 120],
4
    '销量': [50, 30, 20, 40]
5
}
6
df = pd.DataFrame(data)
7
print(df)

输出：

1
  产品名称   单价  销量
2
0    A  100  50
3
1    B  150  30
4
2    C  200  20
5
3    D  120  40

计算总销售额并排序：

1
df['总销售额'] = df['单价'] * df['销量']
2
print(df.nlargest(1, columns='总销售额'))  # 销售额最高的产品
3
print(df.sort_values('总销售额', ascending=False))

输出：

1
  产品名称   单价  销量  总销售额
2
0    A  100  50  5000
3
  产品名称   单价  销量  总销售额
4
0    A  100  50  5000
5
3    D  120  40  4800
6
1    B  150  30  4500
7
2    C  200  20  4000

涉及方法： 列间运算、nlargest()、sort_values()。

21.4 电商用户行为分析#

1
data = {
2
    '用户ID': [101, 102, 103, 104, 105],
3
    '用户名': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
4
    '商品类别': ['电子产品', '服饰', '电子产品', '家居', '服饰'],
5
    '商品单价': [1200, 300, 800, 150, 200],
6
    '购买数量': [1, 3, 2, 5, 4],
7
}
8
df = pd.DataFrame(data)
9
print(df)

输出：

1
   用户ID      用户名  商品类别  商品单价  购买数量
2
0   101    Alice  电子产品  1200     1
3
1   102      Bob    服饰   300     3
4
2   103  Charlie  电子产品   800     2
5
3   104    David    家居   150     5
6
4   105      Eve    服饰   200     4

计算消费金额与最优用户：

1
df['消费金额'] = df['商品单价'] * df['购买数量']
2
print(df.nlargest(1, columns='消费金额'))

输出：

1
   用户ID      用户名  商品类别  商品单价  购买数量  消费金额
2
2   103  Charlie  电子产品   800     2  1600

1
print('平均消费金额:', df['消费金额'].mean())

输出：

1
平均消费金额: 1050.0

分类筛选统计：

1
# 统计电子产品的总购买数量
2
print(df[df['商品类别'] == '电子产品']['购买数量'].sum())

输出：

1
3

分析流程： 先通过布尔索引 df['商品类别'] == '电子产品' 筛选出电子产品行，再取 ['购买数量'] 列，最后 sum() 求和。

涉及方法： 列运算、nlargest()、mean()、布尔索引 + 列筛选 + sum() 链式操作。

21.5 本节小结#

本节通过三个案例综合运用了 DataFrame 的核心操作：

案例	涉及方法
学生成绩分析	`sum(axis=1)`、`nlargest()`、`\|` 条件筛选、新增列
销售数据分析	列间运算、`nlargest()`、`sort_values()`
电商用户分析	布尔索引筛选、链式操作、`mean()`、`sum()`