数据的合并和分组聚合

一：字符串离散化的案列

        对于这一组电影数据，如果我们希望统计电影分类(genre)的情况，应该如何处理数据？

       思路：重新构造一个全为0的数组，列名为分类，如果某一条数据中分类出现过，就让0变为

        1.读取文件

                

        2.统计分类列表

                

       3.构造全为0的数组

                

       4.给每个电影出现的位置赋值1

                

      5.统计每个分类的电影数量的和

                

      6.排序

                

      7.画图

                

                 

二：数据合并

        数据合并之join（按照行索引合并）

         join：默认情况下它是把行索引相同的数据合并在一起

        

         

         行数的确定：写在join前边的输出结果就以它的行数为准

        数据合并之merge（按照列索引合并）

        merge：按照指定的列把数据按照一定的方式合并在一起

        

         内连接：默认的合并方式inner，取并集。df3与df1的a列没有相同的值，所以输出为Empty DataFrame

        

        df1中有二组数据为1，所以合并f,x出现了二次

         

         df1中有一组数据为1，所以合并之后f,x出现了一次

        外连接：merge outer，交集，NaN补全

        

         merge left，左边为准，NaN补全（df1只有二行，所以结果只要二行）

        

         merge right，右边为准，NaN补全

                

三：数据分组聚合

        现在我们有一组关于全球星巴克店铺的统计数据，如果我想知道美国的星巴克数量和中国的哪个多，或者我想知道中国每个省份星巴克的数量的情况，那么应该怎么办？

        在pandas中类似的分组的操作我们有很简单的方式来完成：df.groupby(by="columns_name")

        统计美国和中国星巴克数量：

        

         统计中国每个省份星巴克的数量

        

 

        

         grouped = df.groupby(by="columns_name")

        grouped是一个DataFrameGroupBy对象，是可迭代的

        grouped中的每一个元素是一个元组

        元组里面是（索引(分组的值)，分组之后的DataFrame）

四：数据的索引学习

        

        指定index

         

        重新设置index

              

五：数据分组聚合练习和总结

        Series复合索引

        

         DataFrame复合索引

        

         动手：1使用matplotlib呈现出店铺总数排名前10的国家

        

         2.使用matplotlib呈现出每个中国每个城市的店铺数量

        

         

动手：现在我们有全球排名靠前的10000本书的数据，那么请统计一下下面几个问题：

不同年份书的平均评分情况