机器学习-数据科学库 10 酒类消费案例

关注

原创最新推荐文章于 2026-07-08 14:25:02 发布 478 阅读 AI 写同款· GEO 优化 ›

Python数据分析_Pandas入门_探索酒类消费数据_Drinks 背景 Pandas练习题第三个数据集，寻找新的视角看数据步骤导入数据以大洲为组进行分类，查看均值对数据进行可视化从图中明显可以看出：欧洲的酒类消费需求最多，啤酒、白酒、红酒和每升酒精含量均值均为最高中美、南美洲啤酒、白酒消费需求较多，对红酒消费需求较少大洋洲消费结构与美洲相似，但消费需求较少非洲对啤酒需求要远高于白酒、红酒，整体消费需求较少亚洲由于传统文化影响，白酒需求最高... 阅读详情

数据准备

参考：https://gist.github.com/aegorenkov/f7f0f8d6e9cc17ca9774572e224e2ad1

import pandas as pd

# 将数据框命名为drinks
drinks = pd.read_csv('data_analysis/drinks.csv')

数据基本信息

# group by continent
continent_group_by = drinks.groupby('continent')

# 哪个大陆(continent)平均消耗的啤酒(beer)更多？
beer_df = continent_group_by.agg({'beer_servings': 'mean'})
beer_top_continent_str = beer_df.loc[beer_df.idxmax()].index[0]

# 打印出每个大陆(continent)的红酒消耗(wine_servings)的描述性统计值。
wine_agg_describe = continent_group_by.agg({'wine_servings': 'describe'})
wine_describe = continent_group_by['wine_servings'].describe()

# 打印出每个大陆每种酒类别的消耗平均值。
continent_mean = continent_group_by.mean()
continent_agg = continent_group_by.agg(['mean', 'max', 'std'])

# 打印出每个大陆每种酒类别的消耗中位数。
continent_median = continent_group_by.median()

# 打印出每个大陆对 spirit_servings 饮品消耗的平均值，最大值和最小值。
spirit_servings = continent_group_by.agg({'spirit_servings': ['mean', 'max', 'min']})