时间:2021-05-22
如下所示:
import pandas as pdpath='F:/python/python数据分析与挖掘实战/图书配套数据、代码/chapter3/demo/data/catering_fish_congee.xls'data=pd.read_excel(path,header=None,index_col=0)data.index.name='日期'data.columns=['销售额(元)'] xse=data['销售额(元)']print(xse.max())print(xse.min())print(xse.max()-xse.min()) fanwei=list(range(0,4500,500))fenzu=pd.cut(xse.values,fanwei,right=False)#分组区间,长度91print(fenzu.codes)#标签print(fenzu.categories)#分组区间,长度8pinshu=fenzu.value_counts()#series,区间-个数print(pinshu.index) import matplotlib.pyplot as pltpinshu.plot(kind='bar')#plt.text(0,29,str(29)) qujian=pd.cut(xse,fanwei,right=False)data['区间']=qujian.valuesdata.groupby('区间').median()data.groupby('区间').mean()#每个区间平均数 pinshu_df=pd.DataFrame(pinshu,columns=['频数'])pinshu_df['频率f']=pinshu_df / pinshu_df['频数'].sum()pinshu_df['频率%']=pinshu_df['频率f'].map(lambda x:'%.2f%%'%(x*100)) pinshu_df['累计频率f']=pinshu_df['频率f'].cumsum()pinshu_df['累计频率%']=pinshu_df['累计频率f'].map(lambda x:'%.4f%%'%(x*100)) In[158]: pinshu_dfOut[158]: 频数 频率f 频率% 累计频率f 累计频率%[0, 500) 29 0.318681 31.87% 0.318681 31.8681%[500, 1000) 20 0.219780 21.98% 0.538462 53.8462%[1000, 1500) 12 0.131868 13.19% 0.670330 67.0330%[1500, 2000) 12 0.131868 13.19% 0.802198 80.2198%[2000, 2500) 8 0.087912 8.79% 0.890110 89.0110%[2500, 3000) 3 0.032967 3.30% 0.923077 92.3077%[3000, 3500) 4 0.043956 4.40% 0.967033 96.7033%[3500, 4000) 3 0.032967 3.30% 1.000000 100.0000%以上这篇pandas分区间,算频率的实例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
pandas的qcut可以把一组数字按大小区间进行分区,比如data=pd.Series([0,8,1,5,3,7,2,6,10,4,9])比如我要把这组数据分
本文实例为大家分享了java抽奖算法,供大家参考,具体内容如下1.算法分析根据概率将奖品划分区间,每个区间代表一个奖品,然后抽取随机数,反查落在那个区间上,即为
本文实例讲述了VC++实现的OpenGL线性渐变色绘制操作。分享给大家供大家参考,具体如下:用到的思路就是在应力的最大值和最小值之间划分区间,每个区间的标识点对
用途pandas.cut用来把一组数据分割成离散的区间。比如有一组年龄数据,可以使用pandas.cut将年龄数据分割成不同的年龄段并打上标签。原型pandas
在pandas里面常用value_counts确认数据出现的频率。1.Series情况下:pandas的value_counts()函数可以对Series里面的