科学新概念seo外链,seo公司哪里有,手机wap网站怎么做,企业门户网站登录在SQL和Pandas中#xff0c;聚合方法是用来对数据进行汇总统计的重要工具。下面是SQL中的各种聚合方法及其与Pandas中相应操作的对应关系#xff1a;
1. COUNT SQL: COUNT(*) 返回表中的行数。COUNT(column) 返回指定列中非空值的数量。 Pandas: count() 方法用于计算非空值…在SQL和Pandas中聚合方法是用来对数据进行汇总统计的重要工具。下面是SQL中的各种聚合方法及其与Pandas中相应操作的对应关系
1. COUNT SQL: COUNT(*) 返回表中的行数。COUNT(column) 返回指定列中非空值的数量。 Pandas: count() 方法用于计算非空值的数量。示例代码count_result df[column].count()2. SUM SQL: SUM(column) 返回指定列中所有值的总和。 Pandas: sum() 方法用于计算指定列中所有值的总和。示例代码sum_result df[column].sum()3. AVG / AVERAGE SQL: AVG(column) 返回指定列中所有值的平均值。 Pandas: mean() 方法用于计算指定列中所有值的平均值。示例代码avg_result df[column].mean()4. MIN SQL: MIN(column) 返回指定列中的最小值。 Pandas: min() 方法用于计算指定列中的最小值。示例代码min_result df[column].min()5. MAX SQL: MAX(column) 返回指定列中的最大值。 Pandas: max() 方法用于计算指定列中的最大值。示例代码max_result df[column].max()6. GROUP BY SQL: GROUP BY column 用于对指定列中的值进行分组。可以结合 COUNT, SUM, AVG, MIN, MAX 等聚合函数一起使用。 Pandas: groupby() 方法用于对DataFrame中的数据进行分组。可以结合 count(), sum(), mean(), min(), max() 等方法一起使用。示例代码grouped_df df.groupby(column).agg({other_column: sum})7. DISTINCT SQL: DISTINCT column 返回指定列中的唯一值。 Pandas: unique() 方法用于获取指定列中的唯一值。示例代码unique_values df[column].unique()8. HAVING SQL: HAVING condition 用于过滤 GROUP BY 后的结果集。 Pandas: 没有直接对应的 having 方法但可以使用 groupby() 结合 filter() 方法来实现类似功能。示例代码filtered_df df.groupby(column).filter(lambda x: x[other_column].sum() threshold)示例代码
假设我们有一个DataFrame df我们将演示这些聚合操作
import pandas as pd# 创建示例 DataFrame
data {category: [A, B, A, B, A, B],value: [10, 20, 30, 40, 50, 60]
}
df pd.DataFrame(data)# COUNT
count_result df[category].count()
print(COUNT:)
print(count_result)# SUM
sum_result df[value].sum()
print(\nSUM:)
print(sum_result)# AVG / AVERAGE
avg_result df[value].mean()
print(\nAVG:)
print(avg_result)# MIN
min_result df[value].min()
print(\nMIN:)
print(min_result)# MAX
max_result df[value].max()
print(\nMAX:)
print(max_result)# GROUP BY
grouped_df df.groupby(category).agg({value: [sum, mean, min, max]})
print(\nGROUP BY:)
print(grouped_df)# DISTINCT
unique_categories df[category].unique()
print(\nDISTINCT:)
print(unique_categories)# HAVING
threshold 50
filtered_df df.groupby(category).filter(lambda x: x[value].sum() threshold)
print(\nHAVING:)
print(filtered_df)输出示例
假设DataFrame如下所示 category value
0 A 10
1 B 20
2 A 30
3 B 40
4 A 50
5 B 60输出结果将会是
COUNT:
6SUM:
210AVG:
35.0MIN:
10MAX:
60GROUP BY:value sum mean min max
category
A 90 30.0 10 50
B 120 40.0 20 60DISTINCT:
[A B]HAVING:category value
0 A 10
2 A 30
4 A 50
1 B 20
3 B 40
5 B 60
