pandas系列学习(六):数据聚合

常见的六大聚类算法 1. K-Means(K均值)聚类 算法步骤: (1) 首先我们选择一些类/组,并随机初始化它们各自的中心点。中心点是与每个数据点向量长度相同的位置。这需要我们提前预知类的数量(即中心点的数量)。 (2) 计算每个数据点到中心点的距离,数据点距离哪个中心点最近就划分到哪一类中。 (3) 计算每一类中中心点作为新的中心点。 (4) 重复以上步骤,直到每一类中心在每次迭代后变化不大为止。也可... 阅读详情
AI摘要

本文深入探讨了Pandas库中DataFrame对象的groupby()和agg()函数的应用,通过实例展示了如何对大型数据集进行分组并计算各种汇总统计。涵盖了如何加载数据、解析日期、计算基本统计数据、按单个和多个变量分组、以及如何使用agg()函数同时计算多个统计信息。

作者:chen_h
微信号 & QQ:862251340
微信公众号:coderpai


pandas系列学习(一):pandas入门

pandas系列学习(二):Series

pandas系列学习(三):DataFrame

pandas系列学习(四):数据提取

pandas系列学习(五):数据连接

pandas系列学习(六):数据聚合


我最近一直在探索的一个方面是通过不同变量对大型数据帧进行分组,以及对每个组应用汇总函数的任务。这是在 pandas 中使用 DataFrame 对象的 groupby() 和 agg() 函数完成。

示例 DataFrame

为了演示分组命令的有效性和简单性,我们需要一些数据。对于示例数据集,我已经提取了自己的手机使用记录。如果你也想分析这个数据集,你可以点击这里进行下载。

该数据集包含来自我的手机日志的 830 个条目,总时间为 5 个月。可以使用 DataFrame.read_csv() 函数将 CSV 文件加载到 DataFrame 中,如下所示:

df = pd.read_csv('./phone_data.csv')
df.head()
indexdatedurationitemmonthnetworknetwork_type
0015/10/14 06:5834.429data2014-11datadata
1115/10/14 06:5813.000call2014-11Vodafonemobile
2215/10/14 14:4623.000call2014-11Meteormobile
3315/10/14 14:484.000call2014-11Tescomobile
4415/10/14 17:274.000call2014-11Tescomobile

该文件的主要列是:

  • date:输入的日期和时间;
  • duration:每个呼叫的持续时间(以秒为单位),每个数据条目的数据量(以 MB 为单位),以及每个 sms 条目发送的文本数(通常为 1);
  • item:事件发生的描述——可以是呼叫,短信或者数据之一;
  • month:每个条目所属的结算月份——形式为 “YYYY-MM”;
  • network:为每个条目调用 / 发送的移动网络;
  • network_type:被呼叫的号码是移动,国际,语音邮件,固定电话还是其他特殊号码;

删除了所有的隐私电话,我们可以非常方便的用 dateutil 库来解析日期列。

import dateutil
data['date'] = data['date'].apply(dateutil.parser.parse, dayfirst=True)
indexdatedurationitemmonthnetworknetwork_type
002014-10-15 06:58:0034.429data2014-11datadata
112014-10-15 06:58:0013.000call2014-11Vodafonemobile
222014-10-15 14:46:0023.000call2014-11Meteormobile
332014-10-15 14:48:004.000call2014-11Tescomobile
442014-10-15 17:27:004.000call2014-11Tescomobile

聚合 DataFrame

一旦将数据加载到 Python 中,pandas 就可以非常简单的计算不同的统计数据。例如,计算列的平均值,最大值,最小值,标准偏差等等。

# How many rows the dataset
print(data['item'].count())

# What was the longest phone call / data entry?
print(data['duration'].max())

# How many seconds of phone calls are recorded in total?
print(data['duration'][data['item'] == 'call'].sum())

# How many entries are there for each month?
print(data['month'].value_counts())

# Number of non-null unique network entries
print(data['network'].nunique())
830
10528.0
92321.0
2014-11    230
2015-01    205
2014-12    157
2015-02    137
2015-03    101
Name: month, dtype: int64
9

除非你有非常具体的要求,否则对自定义功能的需求很小。pandas 中内置的函数已经能基本满足需求了,具体的函数可以点击这个页面。

FunctionDescription
countNumber of non-null observations
sumSum of values
meanMean of values
madMean absolute deviation
medianArithmetic median of values
minMinimum
maxMaximum
modeMode
absAbsolute Value
prodProduct of values
stdUnbiased standard deviation
varUnbiased variance
semUnbiased standard error of the mean
skewUnbiased skewness (3rd moment)
kurtUnbiased kurtosis (4th moment)
quantileSample quantile (value at %)
cumsumCumulative sum
cumprodCumulative product
cummaxCumulative maximum
cumminCumulative minimum

.describe() 函数是一个有用的汇总工具,可以快速显示应用它的任何变量或者组的统计信息。describe() 输出取决于你是将其应用于数字列还是字符列。

聚合 DataFrame 中的组

通过掌握 pandas groupby() 函数,你可以获得更多的快捷。groupby() 实际上根据你选择的变量将数据拆分为不同的组。例如,表达式 data.groupby(‘month’) 将按月拆分当前的 DataFrame 。

groupby() 函数将返回 GroupBy 对象,但实际上描述了如何拆分原始数据集的行。GroupBy 对象.groups变量是一个字典,其键是计算的唯一组,对应的值是属于每个组的轴标签。例如:

data.groupby(['month']).groups.keys()
dict_keys(['2014-11', '2014-12', '2015-01', '2015-02', '2015-03'])
len(data.groupby(['month']).groups['2014-11'])
230

max(),min(),mean(),first(),last() 等函数可以快速应用于 GroupBy 对象,以获取每个组的汇总统计信息 —— 这是一个非常有用的函数。此功能类似于 R 的 dplyr 和 plyr 库。可以从每个摘要中查看不同的变量。

# Get the first entry for each month

data.groupby('month').first()
indexdatedurationitemnetworknetwork_type
month
2014-1102014-10-15 06:58:0034.429datadatadata
2014-122282014-11-13 06:58:0034.429datadatadata
2015-013812014-12-13 06:58:0034.429datadatadata
2015-025772015-01-13 06:58:0034.429datadatadata
2015-037292015-02-12 20:15:0069.000calllandlinelandline
# Get the sum of the durations per month

data.groupby('month')['duration'].sum()
month
2014-11    26639.441
2014-12    14641.870
2015-01    18223.299
2015-02    15522.299
2015-03    22750.441
Name: duration, dtype: float64
# Get the number of dates / entries in each month

data.groupby('month')['date'].count()
month
2014-11    230
2014-12    157
2015-01    205
2015-02    137
2015-03    101
Name: date, dtype: int64
# What is the sum of durations, for calls only, to each network

data[data['item'] == 'call'].groupby('network')['duration'].sum()
network
Meteor        7200.0
Tesco        13828.0
Three        36464.0
Vodafone     14621.0
landline     18433.0
voicemail     1775.0
Name: duration, dtype: float64

你还可以按多个变量进行分组,从而允许更复杂的查询。

# How many calls, sms, and data entries are in each month?

data.groupby(['month', 'item'])['date'].count()
month    item
2014-11  call    107
         data     29
         sms      94
2014-12  call     79
         data     30
         sms      48
2015-01  call     88
         data     31
         sms      86
2015-02  call     67
         data     31
         sms      39
2015-03  call     47
         data     29
         sms      25
Name: date, dtype: int64
# How many calls, texts, and data are sent per month, split by network_type?

data.groupby(['month', 'network_type'])['date'].count()
month    network_type
2014-11  data             29
         landline          5
         mobile          189
         special           1
         voicemail         6
2014-12  data             30
         landline          7
         mobile          108
         voicemail         8
         world             4
2015-01  data             31
         landline         11
         mobile          160
         voicemail         3
2015-02  data             31
         landline          8
         mobile           90
         special           2
         voicemail         6
2015-03  data             29
         landline         11
         mobile           54
         voicemail         4
         world             3
Name: date, dtype: int64

Groupby 输出格式 —— Series 或者 DataFrame?

groupby 和聚合操作的输出在 padnas Series 和 pandas DataFrame 之间变化,这可能会让新用户感到困惑。根据经验,如果计算多个结果列,则结果将为 DataFrame 。对于单列结果,默认情况下,agg 函数将生成一个 Series。

你可以通过不同的选择操作列来更改此设置:

data.groupby('month')['duration'].sum() # produces Pandas Series
month
2014-11    26639.441
2014-12    14641.870
2015-01    18223.299
2015-02    15522.299
2015-03    22750.441
Name: duration, dtype: float64
data.groupby('month')[['duration']].sum() # Produces Pandas DataFrame
duration
month
2014-1126639.441
2014-1214641.870
2015-0118223.299
2015-0215522.299
2015-0322750.441

Groupby 输出将在与你选择的分组变量对应的行上具有索引或者多索引。要避免设置此索引,请将 as_index=False 传递给 groupby 操作。

data.groupby('month', as_index=False).agg({"duration": "sum"})
monthduration
02014-1126639.441
12014-1214641.870
22015-0118223.299
32015-0215522.299
42015-0322750.441

在 pandas 中对数据进行分组时使用 as_index 参数可防止在结果中设置行索引。

每组多个统计信息

我们将要检查的最后一段语法是 pandas 的 agg() 函数。agg() 函数提供的聚合功能允许在一次计算中按组计算多个统计数据。语法很简单,类似于 MongoDB 的聚合框架。

2017 年 5 月对 pandas 聚合函数进行了重大更改。在 agg() 函数中重命名变量不再如下图所示 —— 请参考注释。

在这里插入图片描述

使用 agg() 函数聚合 pandas DataFrame 中的变量。请注意,在 pandas 版本 0.20.1 以后,结果的重命名需要单独完成。

将单个函数应用于组中的列

聚合指令以 Python 字典或列表的形式提供。字典键用于指定要执行操作的列,以及用于制定要运行的函数的字典值。例如:

# Group the data frame by month and item and extract a number of stats from each group
data.groupby(['month', 'item']).agg({'duration':sum,      # find the sum of the durations for each group
                                     'network_type': "count", # find the number of network type entries
                                     'date': 'first'})    # get the first date per group

durationnetwork_typedate
monthitem
2014-11call25547.0001072014-10-15 06:58:00
data998.441292014-10-15 06:58:00
sms94.000942014-10-16 22:18:00
2014-12call13561.000792014-11-14 17:24:00
data1032.870302014-11-13 06:58:00
sms48.000482014-11-14 17:28:00
2015-01call17070.000882014-12-15 20:03:00
data1067.299312014-12-13 06:58:00
sms86.000862014-12-15 19:56:00
2015-02call14416.000672015-01-15 10:36:00
data1067.299312015-01-13 06:58:00
sms39.000392015-01-15 12:23:00
2015-03call21727.000472015-02-12 20:15:00
data998.441292015-02-13 06:58:00
sms25.000252015-02-19 18:46:00

聚合字典语法是灵活的,可以在操作之前定义。你还可以使用 lambda 函数内联定义函数,以提取内置选项未提供的统计信息。

# Define the aggregation procedure outside of the groupby operation
aggregations = {
    'duration':'sum',
    'date': lambda x: max(x) - 1
}
data.groupby('month').agg(aggregations)

将多个函数应用于组中的列

要将多个函数应用于分组数据中的单个列,请展开上面的语法,将函数列表作为聚合数据框中的值传递。如下:

# Group the data frame by month and item and extract a number of stats from each group
data.groupby(['month', 'item']).agg({'duration': [min, max, sum],      # find the min, max, and sum of the duration column
                                     'network_type': "count", # find the number of network type entries
                                     'date': [min, 'first', 'nunique']})    # get the min, first, and number of unique dates per group
durationnetwork_typedate
minmaxsumcountminfirstnunique
monthitem
2014-11call1.0001940.00025547.0001072014-10-15 06:58:002014-10-15 06:58:00104
data34.42934.429998.441292014-10-15 06:58:002014-10-15 06:58:0029
sms1.0001.00094.000942014-10-16 22:18:002014-10-16 22:18:0079
2014-12call2.0002120.00013561.000792014-11-14 17:24:002014-11-14 17:24:0076
data34.42934.4291032.870302014-11-13 06:58:002014-11-13 06:58:0030
sms1.0001.00048.000482014-11-14 17:28:002014-11-14 17:28:0041
2015-01call2.0001859.00017070.000882014-12-15 20:03:002014-12-15 20:03:0084
data34.42934.4291067.299312014-12-13 06:58:002014-12-13 06:58:0031
sms1.0001.00086.000862014-12-15 19:56:002014-12-15 19:56:0058
2015-02call1.0001863.00014416.000672015-01-15 10:36:002015-01-15 10:36:0067
data34.42934.4291067.299312015-01-13 06:58:002015-01-13 06:58:0031
sms1.0001.00039.000392015-01-15 12:23:002015-01-15 12:23:0027
2015-03call2.00010528.00021727.000472015-02-12 20:15:002015-02-12 20:15:0047
data34.42934.429998.441292015-02-13 06:58:002015-02-13 06:58:0029
sms1.0001.00025.000252015-02-19 18:46:002015-02-19 18:46:0017

agg(…) 语法灵活且易于使用。请记住,你可以将自定义和 lambda 函数传递到聚合计算列表,并且每个函数都将从分组数据中的列传递值。

从 groupby 操作重命名分组统计信息

在列上计算多个统计信息时,结果数据框将在列轴中设置多个索引。这可能很难处理,我同行必须在 groupby 操作后重命名列。

一种选择是使用以下方法删除新创建的多索引的 top level:

grouped = data.groupby('month').agg("duration": [min, max, mean])
grouped.columns = grouped.columns.droplevel(level=0)
grouped.rename(columns={"min": "min_duration", "max": "max_duration", "mean": "mean_duration"})
grouped.head()

来源:shanelynn

pandas 数据聚合与分组运算 01 分组与聚合的原理 在Pandas中,分组是指使用特定的条件将原数据划分为多个组,聚合在这里指的是,对每个分组中的数据执行某些操作,最后将计算的结果进行整合。 分组与聚合的过程大概分为以下三步: 拆分:将数据集按照一些标准拆分为若干个组。 应用:将某个函数或方法(内置和自定义均可)应用到每个分组。 合并:将产生的新值整合到结果对象中。 02 通过groupby()方法将数据拆分成组 在Pandas中,可以通过groupby()方法将数据集按照某些标准划分成若干个组。 groupby(. 阅读详情

相关推荐

Pandas - 数据的聚合与分组计算

1 数据分组 - groupby() 1.1 按照多列进行分组的两种方法 1.2 对分组进行迭代 1.3 将列数据按照数据类型进行分组 1.4 通过字典或者Series对DataFrame数据进行分组 2 数据聚合 2.1 分组结果的内置聚合函数 2.2 自定义聚合函数 2.3 apply函数 自定义函数利用apply应用到分组对象上 2.4 分组加权平均数和相关系数 ...

Plus Ultra !!! 1万+

Pandas数据分析12——pandas数据分组聚合

分类数据分组进行各种函数方法计算。数值型数据分组进行分箱然后分类计算

weixin_46277779的博客 4442

Pandas - K线数据处理 - 数据聚合

目录 一、K线分析 二、pandas.DataFrame.resample - 内置聚合方法 2-0 测试数据初始化 2-1resample 的 3分钟聚合 2-2resample 的 30s 拆成 2-3 自定义聚合逻辑 - apply 2-4 DataFrame 对象的 resample 处理方式 三、K线聚合的业务实现 方式一、获取批量数据 + resample处理...

LIN的博客 6025

pandas数据分组与聚合

数据分组与聚合、数据透视表与交叉表

m0_64087341的博客 5428

Pandas中的数据聚合方法

数据聚合,一般都是指对分组中的数据执行某些操作,比如求平均值、求最大值等,并且操作后得到一个结果集,这些实现聚合的操作称为聚合方法。Pandas中提供了用做聚合操作的agg()方法。 一、使用内置统计方法聚合数据        前面已经介绍过Pandas的统计方法,比如用于获取最大值和最小值的max()和min(),这些方法常用于简单地聚合分组中的数据。       假设现在我们

KJ.JK 7082

pandas学习(三):数据拼接、数据合并和数据聚合

在这里总结一下pandas的数据处理,方便自己使用(粘贴) 主要包括数据清洗,数据提取,数据连接,数据聚合四个方面

fff2zrx的博客 3391

六.pandas聚合分组

在划分出来的组(group)上应用一些统计函数,从而达到数据分析的目的,比如对分组数据进行聚合、转换,或者过滤。使用数据库时,我们利用查询操作对各列或各行中的数据进行分组,可以针对其中的每一组数据进行各种不同的操作。df_data.loc[df_data.index[[0,2,4]],["语文","数学","英语"]]columns=["语文","数学","英语","政治","历史","地理"]index=["张三","李四","王五","赵六","坤哥","凡哥"],

金灰的博客 1767

pandas数据聚合与分组

前言 数据聚合于分组操作在众多的关系型或非关系型库中都有涉及,大体原理都是类似,根据某个或者多个业务字段将获取到的数据进行聚合操作或者分组操作,pandas提供了非常友好的分组聚合功能,可以方便使用人员对数据进行不同维度的聚合分组操作 API简要说明 构造一个DataFrame的数据 import numpy as np import pandas as pd df=pd.DataFrame({...

congge 6675

Pandas系列学习教程——14 pandas分组聚合统计groupby

随着人工智能的不断发展,数据分析这门技术也越来越重要,很多人都开启了学习数据分析,本文就介绍了pandas学习的基础内容。本章简单介绍了pandas分组聚合统计,具体介绍了分组使用聚合函数做数据统计和遍历groupby的结果执行流程两种方法。

lzylzy66的博客 1591

【python Pandas】分组与聚合

除了常见的聚合函数,Pandas 还提供了和apply()方法,允许我们对每个组进行更加灵活的操作。:返回与原始数据框相同形状的结果。它适用于那些需要对每个组进行元素级操作的情况。apply():允许对每个组应用任意函数,返回结果的形状可以不同于原始数据。

m0_62599305的博客 1205

Qt6安装保姆级教程:从国内镜像下载到配置避坑指南(附清华/中科大源)

本文提供详细的Qt6安装与配置指南,重点介绍如何利用清华大学、中国科学技术大学等国内镜像源解决下载速度慢的问题。内容涵盖在线安装器获取、组件选择策略、环境变量配置以及常见编译与部署问题的排查方法,旨在帮助国内开发者高效、顺畅地完成Qt6开发环境搭建。

weixin_29281915的博客 635

Pandas `DataFrame` 数据汇总与聚合

您可以使用agg()方法定义自定义聚合函数。您可以将字典传递给agg(),以对不同的列应用不同的聚合函数。如果需要更复杂的聚合计算,可以使用自定义函数。# 使用自定义聚合函数计算销量波动范围ProductA 50B 30C 60通过以上示例,我们展示了 Pandas 中如何进行数据汇总与聚合。使用groupby()对数据进行分组。使用agg()方法进行多重聚合。使用创建透视表。使用和apply()进行更复杂的行级操作。使用自定义函数进行定制化的聚合。

AI Agent 首席体验官 1485

C语言—for循环打印矩形,正三角形,倒三角形,九九乘法,等腰三角形,倒着的等腰三角形(简易版代码)(重点考察for循环嵌套)

本章节教大家如何利用for循环打印正三角形,倒三角形,九九乘法表及等腰三角形(简易版代码)说明:1、循环语句的循环体内又包含另一个完整的循环结构,称为循环结构的嵌套。内嵌的循环语句中还可以再嵌套循环结构,这样就形成多重循环结构的嵌套。2、for 语句、while 语句和 do-while 语句都允许嵌套。三种循环语句可以相互嵌套。3、内层的循环语句必须完全被包含在外层的循环体中,不能发生交叉。

m0_63501145的博客 1697

pandas数据分析之分组聚合

在数据分析过程中,经常会需要根据某一列或多列把数据划分为不同的组别,然后再对其进行数据分析。本文将介绍pandas的数据分组及分组后的应用如对数据进行聚合、转换和过滤。

学而思(xiejava的blog) 7620

BEVFusion实战:从零搭建LiDAR-Camera融合的3D目标检测环境(附避坑指南)

本文提供了BEVFusion实战指南,详细讲解如何从零搭建LiDAR-Camera融合的3D目标检测环境。内容涵盖环境配置、数据预处理、模型训练与性能优化等关键步骤,并附有实用的避坑技巧,帮助开发者高效部署这一先进的BEV感知算法。

p4q5r6s7t的博客 516

GAN管CGH40010F设计宽带Doherty功放:如何用ADS搞定输入匹配、合路网络与功分器?

本文详细介绍了基于CGH40010F GaN晶体管的宽带Doherty功放设计流程,重点讲解在ADS平台中实现输入匹配网络、合路网络与功分器的关键技术。通过寄生参数补偿、渐变微带线设计和复合补偿结构等方法,解决了宽带化设计中的核心挑战,最终实现1.7-2.6GHz频段内72%的峰值效率和52%的回退效率。

weixin_42614269的博客 473

pandas系列学习(七):数据透视表

作者:chen_h 微信号 & QQ:862251340 微信公众号:coderpai pandas系列学习(一):pandas入门 pandas系列学习(二):Series pandas系列学习(三):DataFrame pandas系列学习(四):数据提取 pandas系列学习(五):数据连接 pandas系列学习(六):数据聚合 pandas系列学习(七):数据透视表 介绍 大多...

CoderPai的博客 1万+

27-eMMC电路设计

eMMC硬件电路设计

weixin_66510961的博客 4014

Pandas 的数据聚合与统计分析

定义一个自定义的聚合函数# 应用自定义函数输出Category1A 20B 10groupby()是 Pandas 中用于数据分组并进行聚合操作的强大工具。通过合理使用groupby()与聚合函数,可以实现对数据的快速汇总和分析。常用的聚合方法有sum()mean()count()max()min(),还可以通过agg()apply()等方法执行复杂的聚合操作。通过灵活使用as_indexlevel等参数,我们可以更好地控制分组结果的表现形式。describe()

AI Agent 首席体验官 1306

setup和hold互卡问题剖析

当然,在不同corner下出现setup和hold互卡的情况也是最常见的。那么,一段timing path,如果launch clock latency为10ns,capture clock latency也为10ns,它们之间并没有common path,Data latency为1ns,Clock period为5ns。在计算setup时,launch path的ocv一般都是乘一个大于1的系数,假设是1.2,capture path的derate取0.8。这就变成了setup和hold互卡的情况了。

芯冰乐 1179

python基础:工作会用到的95%的基础python代码都在这了(万字详解!)

本文是一份Python编程语言的快速参考备忘单,涵盖了Python基础语法和常用数据类型。主要内容包括:Python入门指南(打印、变量声明)、内置数据类型(字符串、数值、列表、元组、集合、字典等)、控制结构(判断、循环)、函数定义、文件处理操作以及字符串操作方法(切片、循环遍历等)。这个备忘单特别适合初学者快速查阅Python基础语法,同时也提供了数据类型转换、f-string格式化字符串等实用技巧。通过简洁的代码示例展示了Python的基本语法规则和典型用法。

数据知道的博客 8165

数据分析 — Pandas 分组聚合

函数应用和映射、汇总和描述统计、str 属性、分组聚合、透视表

记录学习过程,欢迎讨论交流~ 2711

2025年美赛数学建模C题 奥运奖牌表的模型研究及Matlab代码

2025年美赛数学建模C题 奥运奖牌表的模型研究及Matlab代码

前程算法屋的博客 174

pandas groupby count_Pandas数据聚合

点击蓝字关注我们01导语继2-3期完成了数据探索,了解数据分布后,我们紧接着可以通过数据聚合来对数据进一步的组合分析以获得有价值的信息点。话不多说,接着开始练习吧。02数据聚合-groupbyGroupby在SQL中经常用到,在Excel里是多种函数体现,比如求和是sum,计数是count。pandas的groupby和SQL的类似。需要明确以什么维度聚合,以及聚合的方式是sum求和,抑...

weixin_39573136的博客 1万+

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

Python 教学 | Pandas 分组聚合与数据排序

本期文章我们将向大家介绍如何使用 Pandas 对数据进行基本的分组聚合,顺便介绍一下如何对数据进行排序。

weixin_55633225的博客 2113

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

pandas分组与聚合

Python数据分析:pandas分组与聚合 分组(groupby): 对数据集进行分组,然后对每组进行统计分析 SQL能够对数据进行过滤,分组聚合 pandas能利用groupby进行更加复杂的分组运算 分组运算过程 split(拆分):进行分组的根据 apply(应用):每个分组运行的计算规则 combine(合并):把每个分组的计算结果合并起来 impo...

厚积薄发 3344

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

上一篇: pandas系列学习(五):数据连接
下一篇: pandas系列学习(七):数据透视表
coderpai
博客等级 码龄10年 1082粉丝 469原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值