代碼：

import?pandas?as?pd
f?=?open('運動員信息表.csv')
data=pd.read_csv(f,skiprows=0,header=0)
print(data)

運行結(jié)果：

首先使用pd.read_csv(f,skiprows=0,header=0)進行數(shù)據(jù)的讀取，并且將數(shù)據(jù)轉(zhuǎn)換成為dataframe的格式給對象，做初始化，方便后面進行數(shù)據(jù)的分析。

代碼：

sex=data[["年齡（歲）","身高(cm)","體重(kg)"]].groupby(data["性別"])

print(sex.mean())

運行結(jié)果：

首先我們先把數(shù)據(jù)提取出來做個分組，先把"年齡（歲）",“身高(cm)”,"體重(kg)"這三行數(shù)據(jù)提取出來再根據(jù)性別進行分組。

sex=data[["年齡（歲）","身高(cm)","體重(kg)"]].groupby(data["性別"])

然后再調(diào)用mean()求平均值，求出男籃、女籃運動員的平均年齡、身高、體重。

代碼：

sex=data[["年齡（歲）","身高(cm)","體重(kg)"]].groupby(data["性別"])
basketball_male=dict([x?for?x?in?sex])['男']
basketball_male
#求極差
def?range_data_group(arr):
????return?arr.max()-arr.min()
#進行每列不同的聚合
basketball_male.agg({
"年齡（歲）":range_data_group,"身高(cm)":range_data_group,"體重(kg)":range_data_group
})

運行結(jié)果：

首先提取數(shù)據(jù)：

單行循環(huán)提取數(shù)據(jù)，dict([x for x in sex])在循環(huán)體內(nèi)的語句只有一行的情況的下，可以簡化for循環(huán)的書寫。定義一個函數(shù)def range_data_group(arr):求極差；

極差的求法：使用最大值減去最小值。就得到極差。

agg()函數(shù)：DataFrame.agg（*func*，*axis = 0*，* args*，*** kwargs* ）*

func : 函數(shù)，函數(shù)名稱，函數(shù)列表，字典{‘行名/列名’，‘函數(shù)名’}

使用指定軸上的一個或多個操作進行聚合。

需要注意聚合函數(shù)操作始終是在軸（默認是列軸，也可設(shè)置行軸）上執(zhí)行，不同于 numpy聚合函數(shù)

最后我們可以得到三列數(shù)據(jù)：分別對應"年齡（歲）",“身高(cm)”,“體重(kg)”。

代碼：

data["體質(zhì)指數(shù)"]=0
data

運行結(jié)果：

添加一行體重指數(shù)：data[“體質(zhì)指數(shù)”]=0

代碼：

#?計算bmi數(shù)值
def?outer(num):
????def?bminum(sumbim):
????????weight=data["身高(cm)"]
????????height=data["體重(kg)"]
????????sumbim=weight/(height/100)**2
????????return?num+sumbim
????return?bminum

將該行數(shù)據(jù)添加上去：

代碼：

#?調(diào)用函數(shù)
bimdata=data["體質(zhì)指數(shù)"]
data["體質(zhì)指數(shù)"]=data[["體質(zhì)指數(shù)"]].apply(outer(bimdata))
data

運行結(jié)果:

編寫函數(shù)計算bmi數(shù)值 outer(num)；然后再使用apply的方法將自定義的函數(shù)應用到"體質(zhì)指數(shù)"這一列。然后計算出該列的值之后進行賦值。

data[“體質(zhì)指數(shù)”]=data[[“體質(zhì)指數(shù)”]].apply(outer(bimdata))97622)]

編寫函數(shù)計算bmi數(shù)值 outer(num) ；然后再使用apply的方法將自定義的函數(shù)應用到"體質(zhì)指數(shù)"這一列。然后計算出該列的值之后進行賦值。

data[“體質(zhì)指數(shù)”]=data[[“體質(zhì)指數(shù)”]].apply(outer(bimdata))

到此這篇關(guān)于Python數(shù)據(jù)分析處理，運動員信息的分組與聚合的文章就介紹到這了。更多相關(guān)Python數(shù)據(jù)分析處理內(nèi)容請搜索好二三四，希望大家以后多多支持好二三四！