主頁 >  其他 > pandas 高級

pandas 高級

2022-01-21 07:17:24 其他

目錄

  • 前言
  • 1.資料集成
    • 1.1 concat資料串聯
    • 1.2 插入
    • 1.3 Join SQL風格合并
  • 2.資料清洗
    • 2.1 重復資料過濾
    • 2.2 空資料過濾
    • 2.3 指定行或者列進行洗掉
    • 2.4 例外值
  • 3.資料轉換
    • 3.1 軸和元素替換
      • 3.1.1 軸的替換
      • 3.1.2 元素的替換
    • 3.2 map Series元素改變
    • 3.3 apply元素改變,既支持 Series也支持 DataFrame
      • 3.3.1 apply簡單介紹
      • 3.3.2 apply應用
      • 3.3.3 applymap應用
    • 3.4 transform變形金剛
    • 3.5 重排隨機抽樣啞變數
      • 3.5.1 重拍資料
      • 3.5.2 隨機抽樣
      • 3.5.3 啞變數
  • 4.訓練場
    • 4.1 知識點概述
      • 4.1.1 字串替換
      • 4.1.2 報錯演示
      • 4.1.3 報錯修復
    • 4.2 體測成績的部分轉換
      • 4.2.1 男生1000米跑成績轉換
      • 4.2.2 男生1000米跑成績轉換并賦值
    • 4.3 體測成績評分表資料轉換
    • 4.4 男生體測分數成績轉換
      • 4.4.1 男生1000米跑成績分數轉換
      • 4.4.2 男生1000米跑成績分數轉換并賦值
      • 4.4.3 批量轉換男生速度類成績分數
      • 4.4.4 批量轉換男生力量型成績分數并保存
    • 4.5 女生體測成績分數轉換
    • 4.6 保存成績

前言

本文其實屬于：Python的進階之道【AIoT階段一】的一部分內容，本篇把這部分內容單獨截取出來，方便大家的觀看，本文介紹 pandas 高級，讀本文之前建議先修：pandas 入門，后續還會發出一篇 pandas 進階供讀者進行進一步的學習了解，

1.資料集成

🚩pandas 提供了多種將 Series、DataFrame 物件組合在一起的功能

1.1 concat資料串聯

🚩使用 concat 可以把資料進行合并，分別用 axis = 0 代表行合并，axis = 1 代表列合并

import pandas as pd
import numpy as np

# df1 看做是一班的考試成績
df1 = pd.DataFrame(data = np.random.randint(0, 150, size = (10, 3)),# 計算機科目的考試成績
                  index = list('ABCDEFGHIJ'),  # 行標簽，用戶
                  columns = ['Python', 'Tensorflow', 'Keras']) # 考試科目

# df2 看做是二班的考試成績
df2 = pd.DataFrame(data = np.random.randint(0, 150, size = (10,3)),# 計算機科目的考試成績
                  index = list('KLMNOPQRST'),# 行標簽，用戶
                  columns = ['Python', 'Tensorflow', 'Keras']) # 考試科目

# df3 新增兩門考試科目（一班）
df3 = pd.DataFrame(data = np.random.randint(0, 150, size = (10,2)),
                  index = list('ABCDEFGHIJ'),
                  columns = ['PyTorch', 'Paddle'])

display(df1, df2, df3)

# 一班二班考試成績合并
# axis = 0 表示進行(xing)行(hang)合并, 即行增加
display(pd.concat([df1, df2], axis = 0))

# 一班科目增加，合并科目
# axis = 1 表示進行列合并，即列增加
display(pd.concat([df1, df3], axis = 1))

在這里插入圖片描述

1.2 插入

🚩使用 insert 可以在任意位置進行插入

import numpy as np
import pandas as pd

df = pd.DataFrame(data = np.random.randint(0, 151, size = (10, 3)),
                  index = list('ABCDEFGHIJ'),
                  columns = ['Python', 'Keras', 'Tensorflow'])
display(df) 

# 我們在 Keras 和 TensorFlow 中間插入一行 Math,分數均為150
df.insert(loc = 2, column = 'Math', value = 150)
# loc = 0 代表 Python, loc = 1 代表 Pytorch,以此類推

# 在 Python 后面插入一列 English
'''
獲取列索引
df.columns 運行結果:Index(['Python', 'Pytorch', 'Math', 'Keras', 'Tensorflow'], 
					dtype='object')

把列索引轉換為串列
list(df.columns) 運行結果:['Python', 'Pytorch', 'Math', 'Keras', 'Tensorflow']

呼叫index函式,獲取串列中特定欄位的位置
list(df.columns).index('Python') 運行結果:0
'''
# +1 表示在該位置后
index = list(df.columns).index('Python') + 1
df.insert(loc = index, column = 'English', value = np.random.randint(0, 151, size = 10))

display(df)

在這里插入圖片描述

1.3 Join SQL風格合并

🚩資料集的合并（merge）或連接（join）運算是通過一個或者多個鍵將資料鏈接起來的，這些運算是關系型資料庫的核心操作，pandas的merge函式是資料集進行join運算的主要切入點，

先來創建資料：

import pandas as pd
import numpy as np

# 記錄的是name和weight
df1 = pd.DataFrame(data = {'name':['辰chen', '嬌妹兒', '梟哥', '晶姐'],
                           'weight':[65, 60, 70, 50]})
# 記錄的是name和height
df2 = pd.DataFrame(data = {'name':['辰chen', '嬌妹兒', '梟哥', '黑貓警長'],
                           'height':[176, 184, 178, 166]})
# 記錄的是名字和height
df3 = pd.DataFrame(data = {'名字':['辰chen', '嬌妹兒', '梟哥', '黑貓警長'],
                           'height':[176, 184, 178, 166]})

display(df1, df2, df3)

在這里插入圖片描述

利用 merge 對資料進行合并：

# df1, df2 進行合并
display(pd.merge(df1, df2)) # merge:根據共同的屬性進行合并
# 共同的屬性是name,共同擁有的是:辰chen, 嬌妹兒, 梟哥

在這里插入圖片描述
df1 和 df3 是不能直接進行合并的：

# df1, df3 進行合并
display(pd.merge(df1, df3))

在這里插入圖片描述

當然啦，我們 pandas 是十分強大滴，按照如下代碼可以進行合并：

# df1, df3 進行合并
# 指定了合并時, 根據哪一列進行合并
display(pd.merge(df1, df3, left_on = 'name', right_on = '名字'))

在這里插入圖片描述
創建 10 名同學，計算每個人的平均分，并合并：

創建資料：

df4 = pd.DataFrame(data = np.random.randint(0, 151, size = (10, 3)),
                   index = list('ABCDEFHIJK'),
                   columns = ['Python', 'Keras', 'Tensorflow'])

display(df4)

在這里插入圖片描述
計算平均分：

df4.mean()

在這里插入圖片描述
我們要計算的不是列的平均分，而是每位同學的平均分：axis = 1：

# 每個人的各科平均分, Series
df4.mean(axis = 1)

在這里插入圖片描述

資料看起來不舒服，我們可以使用之前講過的 round(1) 去保留一位小數：

# 每個人的各科平均分, Series
df4.mean(axis = 1).round(1)

在這里插入圖片描述
看著是不是不是很舒服？我們可以把它變成 DataFrame

# 每個人的各科平均分, Series
t = df4.mean(axis = 1).round(1)

# 轉為 DataFrame
df5 = pd.DataFrame(t, columns = ['平均分'])
df5

在這里插入圖片描述
將 df4 和 df5 使用 merge 進行合并

# 將 df4 和 df5 使用 merge 進行合并
# df4 和 df5 沒有共同的一列屬性值相同,擔有相同的行索引
pd.merge(df4, df5, left_index = True,   # 左邊使用行索引
                   right_index = True)  # 右邊使用行索引

在這里插入圖片描述
上述代碼同樣可以用 concat 和 insert 實作：

pd.concat([df4, df5], axis = 1)

在這里插入圖片描述

df4.insert(loc = 3, column = '平均分', value = df5)
df4

在這里插入圖片描述

2.資料清洗

🚩所謂資料清洗，其實就是把重復的資料，或者是空資料，例外資料進行一些操作，比如替換，填充，洗掉等操作，關于例外值的定義需要根據實際情況去自行規定，

2.1 重復資料過濾

import numpy as np
import pandas as pd

df = pd.DataFrame(data = {'color':['red', 'blue', 'red', 'green', 'blue', None, 'red'],
                          'price':[10, 20, 10, 15, 20, 0, np.NaN]})
display(df)

# 重復資料過濾
df.duplicated()        # 判斷是否存在重復資料
df.drop_duplicates()   # 洗掉重復資料

在這里插入圖片描述

2.2 空資料過濾

None 和 NaN 都表示空資料,計算時沒有區別
None 是 Python 的資料型別
NaN 是 Numpy 的資料型別

import numpy as np
import pandas as pd

df = pd.DataFrame(data = {'color':['red', 'blue', 'red', 'green', 'blue', None, 'red'],
                          'price':[10, 20, 10, 15, 20, 0, np.NaN]})
display(df)

# 空資料處理
# 比如 df 中的 color:None,price:NaN 就是空資料
display(df.isnull()) # 判斷是否存在空資料，存在回傳True，否則回傳False
display(df.dropna())   # 洗掉空資料
df.fillna(1024)  # 填充空資料:空資料全變為1024

在這里插入圖片描述

2.3 指定行或者列進行洗掉

del df['color'] # 直接洗掉某列
df

在這里插入圖片描述

# drop 洗掉,原資料無變化
# 洗掉指定列
display(df.drop(labels = ['price'], axis = 1))
display(df)

# 洗掉指定行
display(df.drop(labels = [0, 1, 3], axis = 0))
display(df)

在這里插入圖片描述
當然，我們也可以設定使得在原資料上直接進行修改：

# inplace 替換:洗掉原來資料并替換給原資料
# 說白了就是洗掉資料的意思
df.drop(labels = [0, 1, 3], axis = 0, inplace = True)
df

在這里插入圖片描述

2.4 例外值

🚩對于一個正態分布的資料，我們認定 > 3 σ >3\sigma >3σ 就是例外值， σ \sigma σ表示標準差

# 正態分布資料
df = pd.DataFrame(data = np.random.randn(10000, 3))
cnt = df.abs() > 3 * df.std()   # df.std() 就是標準差

# 取出第一列是例外的資料
cnt_0 = cnt[0]
display(df[cnt_0])

# 獲取每一列是例外的資料
cnt_1 = cnt[1]
cnt_2 = cnt[2]

cnt = cnt_0 | cnt_1 | cnt_2

df[cnt]

在這里插入圖片描述
還有一種比較簡單的方式取出例外值：

cnt = df.abs() > 3 * df.std()
# axis = 1 計算每一行,只要一行中有一個 True,回傳 True
# True 就表示的是例外值
cnt_ = cnt.any(axis = 1)

df[cnt_]

在這里插入圖片描述

3.資料轉換

3.1 軸和元素替換

3.1.1 軸的替換

🚩替換軸使用的是函式 rename()：

import numpy as np
import pandas as pd

df = pd.DataFrame(data = np.random.randint(0, 10, size = (10, 3)),
                  index = list('ABCDEFHIJK'),
                  columns = ['Python', 'Tensorflow', 'Keras'])
display(df)

# 重命名軸索引
df.rename(index = {'A':'AA', 'B':'BB'}, columns = {'Python':'AI'})
display(df)

在這里插入圖片描述

3.1.2 元素的替換

🚩元素的替換使用 replace() 函式：

# 將5替換為1024
display(df.replace(5, 1024)) 

# 把0,7替換為2048
display(df.replace([0, 7], 2048))

# 把0替換為519,6替換為666
display(df.replace({0:519, 6:666}))

# 把 Python 這一列值為2的,替換為 -1024
display(df.replace({'Python':2}, -1024))

在這里插入圖片描述

3.2 map Series元素改變

import numpy as np
import pandas as pd

df = pd.DataFrame(data = np.random.randint(0, 10, size = (10, 3)),
                  index = list('ABCDEFHIJK'),
                  columns = ['Python', 'Tensorflow', 'Keras'])
display(df)

# map 用來批量的修改元素
display(df['Keras'].map({6:'辰chen', 9:'AIoT'}))

在這里插入圖片描述
從運行結果我們可以看出，使用 map 對資料進行替換后，未規定替換的資料會變成空資料，
如果我們想要保留原資料，可以寫自定義函式：

def convert(x):
    if x == 6:
        return '辰chen'
    elif x == 9:
        return 'AIoT'
    else:
        return x
    
df['Keras'].map(convert)

在這里插入圖片描述
當然，我們在 Python 中還學習過 lambda 運算式，在這里同樣可以使用：

# 把 Python 這一列大于等于15的值變成True,否則變成False
df['Python'].map(lambda x : True if x >= 5 else False)

在這里插入圖片描述

3.3 apply元素改變,既支持 Series也支持 DataFrame

3.3.1 apply簡單介紹

創造資料：

import numpy as np
import pandas as pd

df = pd.DataFrame(np.random.randint(0, 101, size = (30, 3)),
                  columns = ['Python', 'Math', 'English'])
display(df)

在這里插入圖片描述
apply 對資料進行修改：

def convert(x):
    if x < 60:
        return '不及格'
    elif x < 80:
        return '中等'
    else:
        return '優秀'
df['Python'].apply(convert)

在這里插入圖片描述
我們現在來把這兩個表格進行合并：

res = df['Python'].apply(convert)
index = list(df.columns).index('Python') + 1
df.insert(loc = index, column = 'Python' + '等級', value = res)
df

在這里插入圖片描述
如果我們要生成所有學科的等級，我們可以利用 for 回圈：

def convert(x):
    if x < 60:
        return '不及格'
    elif x < 80:
        return '中等'
    else:
        return '優秀'
    
for col in list(df.columns):
    res = df[col].apply(convert)
    index = list(df.columns).index(col) + 1
    df.insert(loc = index, column = col + '等級', value = res)

df

在這里插入圖片描述

3.3.2 apply應用

apply 可以對一列資料進行修改：

import numpy as np
import pandas as pd

df = pd.DataFrame(data = np.random.randint(0, 10, size = (10, 3)),
                  index = list('ABCDEFHIJK'),
                  columns = ['Python', 'Tensorflow', 'Keras'])
display(df)

# apply 應用，方法：自定義、簡單隱式函式(lambda)
df['Python'] = df['Python'].apply(lambda x : x + 100)
display(df)

在這里插入圖片描述
map 可以對一列資料進行修改：

import numpy as np
import pandas as pd

df = pd.DataFrame(data = np.random.randint(0, 10, size = (10, 3)),
                  index = list('ABCDEFHIJK'),
                  columns = ['Python', 'Tensorflow', 'Keras'])
display(df)

df['Python'] = df['Python'].map(lambda x : x - 100)
display(df)

在這里插入圖片描述

3.3.3 applymap應用

applymap 可以對整個 DataFrame 進行全部的處理

import numpy as np
import pandas as pd

df = pd.DataFrame(data = np.random.randint(0, 10, size = (10, 3)),
                  index = list('ABCDEFHIJK'),
                  columns = ['Python', 'Tensorflow', 'Keras'])
display(df)

def convert(x):
    if x < 5:
        return 100
    else:
        return -100
df.applymap(convert)

在這里插入圖片描述

3.4 transform變形金剛

創建資料：

import numpy as np
import pandas as pd

df = pd.DataFrame(data = np.random.randint(0, 10, size = (10, 3)),
                  index = list('ABCDEFHIJK'),
                  columns=['Python', 'Tensorflow', 'Keras'])
df.iloc[4,2] = None # 空資料

display(df)

在這里插入圖片描述
transform 一樣是支持 lambda 和自定義函式的：

df['Python'].transform(lambda x : x + 10)

在這里插入圖片描述

def convert(x):
    if x < 5:
        return 100
    else:
        return -100
    
df['Python'].transform(convert)

在這里插入圖片描述
對一列進行不同的操作：

# 分別對 Python 這一列執行開平方和冪運算
df['Python'].transform([np.sqrt, np.exp])

在這里插入圖片描述
對多列進行不同的操作：

df.transform({'Python':np.exp, 'Tensorflow':lambda x:x + 10, 'Keras':np.sqrt})

在這里插入圖片描述

3.5 重排隨機抽樣啞變數

創建資料：

import numpy as np
import pandas as pd
df = pd.DataFrame(data = np.random.randint(0, 10, size = (10, 3)),
                  index = list('ABCDEFHIJK'),
                  columns=['Python', 'Tensorflow', 'Keras'])
display(df)

在這里插入圖片描述

3.5.1 重拍資料

index = np.random.permutation(10)
# 重排資料：
df.take(index)

在這里插入圖片描述

3.5.2 隨機抽樣

注：隨機抽樣是允許重復的

# 隨機抽樣
index = np.random.randint(0, 10, size = 5)
df.take(index)

在這里插入圖片描述

3.5.3 啞變數

# 啞變數，獨熱編碼，1表示有，0表示沒有
df = pd.DataFrame({'key':['b','b','a','c','a','b']})
display(df)
display(pd.get_dummies(df,prefix='',prefix_sep=''))
# 可以理解成把字串變成了數字

在這里插入圖片描述

4.訓練場

4.1 知識點概述

4.1.1 字串替換

將字串：“我在大學的體能極限是1000米3分34秒！” 中的“我”替換為“辰chen”，再將成績轉換為純數字：

import numpy as np
import pandas as pd

s1 = '我在大學的體能極限是1000米3分34秒！'
# 把 '我' 替換為 '辰chen'
s1 = s1.replace('我', '辰chen')
display(s1)

# 將成績轉換為純英文的
s2 = "3'34"
s2 = s2.replace('\'', '.')# \ 表示轉義字符
s2 = float(s2)
display(s2)

在這里插入圖片描述

4.1.2 報錯演示

score = ["4'03", "4'34", "4'29", "3'48", "3'58", 4]

# for回圈批量替換
for s in score:
    s = s.replace('\'', '.')
    print(s)

在這里插入圖片描述

可以看出前幾個資料都進行了正確的替換，只有最后一個資料因無法替換而報錯，報錯的原因在于最后一個資料是 int 型別的資料，是不能呼叫 replace 方法的，replace 只作用于字串

所以我們在替換的程序中可以進行特判：

4.1.3 報錯修復

使用 isinstance() 方法判斷是否是字串型別

score = ["4'03", "4'34", "4'29", "3'48", "3'58", 4]

# for回圈批量替換
for s in score:
    # 判斷s是不是字串型別資料，這是一個新知識點
    if isinstance(s, str):
        s = s.replace('\'', '.')
    s = float(s)
    print(s, type(s))

在這里插入圖片描述

4.2 體測成績的部分轉換

4.2.1 男生1000米跑成績轉換

首先我們需要下載一個 Excel 檔案：

鏈接: https://pan.baidu.com/s/1msM5CSZxyJ3TZ5e3TG4XiQ?pwd=w3ut
提取碼: w3ut
復制這段內容后打開百度網盤手機App，操作更方便哦

下載完成之后，把該檔案和我們的代碼放到同一個檔案夾下，這一操作我們在之前的博客中已經反復說到，這里就不再進行演示

我們點開我們下載好的檔案：
在這里插入圖片描述
表格有男生表，也有女生表，在男生表中通過觀察可以看出，只有 男1000米跑這一列資料是 xx'xx 的形式，我們要把它轉為和 男50米跑，男跳遠這樣的資料形式，并且需要注意到，可能有些同學沒有參加 1000米跑的測驗，我們需要把這些空資料統一賦值為0

import pandas as pd

# 加載男生的體測成績
# 方法一：
df_boy = pd.read_excel('./體測成績.xlsx', sheet_name = 0)
# 方法二：
df_boy = pd.read_excel('./體測成績.xlsx', sheet_name = '男生')

# 空資料處理：沒有參加體能測驗，成績為0
df_boy = df_boy.fillna(0)

def convert(s):
    if isinstance(s, str):
        s = float(s.replace('\'', '.'))
    return s

df_boy['男1000米跑'].map(convert)

在這里插入圖片描述

4.2.2 男生1000米跑成績轉換并賦值

import pandas as pd

# 加載男生的體測成績
df_boy = pd.read_excel('./體測成績.xlsx', sheet_name = 0)

# 空資料處理：沒有參加體能測驗，成績為0
df_boy = df_boy.fillna(0)

def convert(s):
    if isinstance(s, str):
        s = float(s.replace('\'', '.'))
    return s

df_boy['男1000米跑'] = df_boy['男1000米跑'].map(convert)

# 保存資料，index = False表示不存盤行索引
df_boy.to_excel('./男生體測成績.xlsx', index = False)

# 查看前10個資料
df_boy.head(10)

在這里插入圖片描述
對于女生資料，我們可以做同樣的處理

import pandas as pd

# 加載女生的體測成績
df_girl = pd.read_excel('./體測成績.xlsx',sheet_name = 1)

# 空資料處理：沒有參加體能測驗，成績為0
df_girl = df_girl.fillna(0)

def convert(s):
    if isinstance(s, str):
        s = float(s.replace('\'', '.'))
    return s

df_girl['女800米跑'] = df_girl['女800米跑'].apply(convert)

# 保存資料，index = False表示不存盤行索引
df_girl.to_excel('./女生體測成績.xlsx', index = False)

# 查看后10個資料
df_girl.tail(10)

在這里插入圖片描述

4.3 體測成績評分表資料轉換

首先我們下載一個 Exel 檔案：

鏈接: https://pan.baidu.com/s/1wxeENf0tjx5bWxTGxkZGeg?pwd=szmk
提取碼: szmk
復制這段內容后打開百度網盤手機App，操作更方便哦

下載完成之后，把該檔案和我們的代碼放到同一個檔案夾下，這一操作我們在之前的博客中已經反復說到，這里就不再進行演示

我們先按照傳統的方法把資料進行加載查看

import numpy as np
import pandas as pd

score = pd.read_excel('./體側成績評分表.xls')
score

在這里插入圖片描述
是不是感覺看起來特別的別扭？這是因為我們在我們的 Excel 檔案中，我們最上方一行每個都占了兩列的原因，所以代碼運行中的 Unnamed1，Unnamed3 其實就是填充，
在這里插入圖片描述
針對上述現象，我們可以按如下方法執行：

import numpy as np
import pandas as pd

# header:告訴 pandas 第一行和第二行作為列索引
score = pd.read_excel('./體側成績評分表.xls',header = [0, 1])
score

在這里插入圖片描述

我們來觀察資料：
在這里插入圖片描述
發現成績的形式都是：xx'xx" 的形式，現在我們想把它轉為數字的形式：

def convert(x):
    if isinstance(x, str):
        s = float(x.replace('\"', '').replace('\'', '.'))
                  # 洗掉 "                     替換 ' 為 .
    return s

x = '''3'30"'''
convert(x)

在這里插入圖片描述
我們用上述方法對男生考核標準進行轉換：

def convert(x):
    if isinstance(x, str):
        s = float(x.replace('\"', '').replace('\'', '.'))
    return s

# 男生考核標準轉換
score.iloc[:, -4] = score.iloc[:, -4].apply(convert)
score

在這里插入圖片描述
同樣的方法，對女生資訊進行轉換：

score = pd.read_excel('./體側成績評分表.xls',header=[0, 1])

def convert(x):
    if isinstance(x, str):
        s = float(x.replace('\"', '').replace('\'', '.'))
    return s

# 男生考核標準轉換
score.iloc[:, -4] = score.iloc[:, -4].apply(convert)

# 女生考核標準轉換
score.iloc[:, -2] = score.iloc[: , -2].apply(convert)
score

在這里插入圖片描述
最后保存我們的檔案：

score = pd.read_excel('./體側成績評分表.xls',header=[0, 1])

def convert(x):
    if isinstance(x, str):
        s = float(x.replace('\"', '').replace('\'', '.'))
    return s

# 男生考核標準轉換
score.iloc[:, -4] = score.iloc[:, -4].apply(convert)

# 女生考核標準轉換
score.iloc[:, -2] = score.iloc[: , -2].apply(convert)

score.to_excel('./體側成績評分表_處理.xlsx', header=[0, 1])

在這里插入圖片描述
再來查看以下我們的資料：

pd.read_excel('./體側成績評分表_處理.xlsx', header = [0, 1])

在這里插入圖片描述
可以看到第一列多了一些奇奇怪怪的東西，我們用 index_col = 0 洗掉：

# index_col = 0   使用第一列作為行索引
pd.read_excel('./體側成績評分表_處理.xlsx', header = [0, 1], index_col = 0)

在這里插入圖片描述

4.4 男生體測分數成績轉換

4.4.1 男生1000米跑成績分數轉換

注：代碼處于運行中將顯示：
在這里插入圖片描述
下列代碼運行十幾秒，幾十秒甚至幾分鐘都是正常的，耐心等待運行結果即可，

%%time
import pandas as pd

# 加載處理之后的男生體測成績
df_boy = pd.read_excel('./男生體測成績.xlsx')

# 加載成績評分表
score = pd.read_excel('./體側成績評分表_處理.xlsx', header = [0,1],index_col = 0)

# 定義轉換方法
def convert(x):
    if x == 0: # 說明沒有參加體能測驗，分數為0分
        return 0
    for i in range(20): # 成績劃分20等級
        if x <= score['男1000米跑']['成績'][i]:
            return score['男1000米跑']['分數'][i]
    return 0 # 說明跑的太慢了，分數為0分

df_boy['男1000米跑'].apply(convert)

在這里插入圖片描述

4.4.2 男生1000米跑成績分數轉換并賦值

%%time
import pandas as pd

# 加載處理之后的男生體測成績
df_boy = pd.read_excel('./男生體測成績.xlsx')
# 加載成績評分表
score = pd.read_excel('./體側成績評分表_處理.xlsx', header = [0, 1])

# 定義轉換方法
def convert(x):
    if x == 0: # 說明沒有參加體能測驗，分數為0分
        return 0
    for i in range(20): # 成績劃分20等級
        if x <= score['男1000米跑']['成績'][i]:
            return score['男1000米跑']['分數'][i]
    return 0 # 說明跑的太慢了，分數為0分

df_boy['男1000米跑' + '分數'] = df_boy['男1000米跑'].apply(convert)
df_boy.head(10)

在這里插入圖片描述

4.4.3 批量轉換男生速度類成績分數

%%time
import numpy as np
import pandas as pd

df_boy = pd.read_excel('./男生體測成績.xlsx')
score = pd.read_excel('./體側成績評分表_處理.xlsx', header = [0,1], index_col = 0)

cols = ['男1000米跑', '男50米跑']

def convert(x, col):
    if x == 0: # 說明沒有參加體能測驗，分數為0分
        return 0
    for i in range(20): # 成績劃分20等級
        if x <= score[col]['成績'][i]:
            return score[col]['分數'][i]
    return 0 # 說明跑的太慢了，分數為0分


for col in cols:
    # args 傳入的引數 (col,)元組
    s = df_boy[col].apply(convert, args = (col,))
    
    columns = df_boy.columns.to_list()
    
    index = columns.index(col) + 1 # 這一列后面
    
    # 向這一列后面添加一列：分數
    df_boy.insert(loc = index, column = col + '分數', value = s)
    
df_boy.head()

在這里插入圖片描述

4.4.4 批量轉換男生力量型成績分數并保存

%%time
# convert自定義，名字任意
def convert(x, col):
    for i in range(20): # 成績劃分20等級
        if x >= score[col]['成績'][i]:
            return score[col]['分數'][i]
    return 0 # 說明跳遠不達標，分數為0分

cols = ['男跳遠', '男體前屈', '男引體', '男肺活量']

for col in cols:
    # apply ,args = (col,)代表某一列，成績分數轉換
    s = df_boy[col].apply(convert, args = (col,))
    
    columns = df_boy.columns.to_list()
    
    # 后面插入一列
    index = columns.index(col) + 1
    df_boy.insert(loc = index, column = col + '分數', value = s)
    
display(df_boy.head())

df_boy.to_excel('./男生體測成績-分數.xlsx', index = False)

在這里插入圖片描述

4.5 女生體測成績分數轉換

%%time
import numpy as np
import pandas as pd

df_girl = pd.read_excel('./女生體測成績.xlsx')
score = pd.read_excel('./體側成績評分表_處理.xlsx', header = [0,1],index_col = 0)

# 速度型別成績分數批量轉換
cols = ['女800米跑', '女50米跑']
def convert(x, col):
    if x == 0: # 說明沒有參加體能測驗，分數為0分
        return 0
    for i in range(20): # 成績劃分20等級
        if x <= score[col]['成績'][i]:
            return score[col]['分數'][i]
    return 0 # 說明跑的太慢了，分數為0分
for col in cols:
    s = df_girl[col].apply(convert, args = (col,))
    columns = df_girl.columns.to_list()
    index = columns.index(col) + 1
    df_girl.insert(loc = index, column = col + '分數', value = s)

# 力量型成績分數批量轉換
cols = ['女跳遠', '女體前屈', '女仰臥', '女肺活量']
def convert(x, col):
    for i in range(20): # 成績劃分20等級
        if x >= score[col]['成績'][i]:
            return score[col]['分數'][i]
    return 0 # 說明跳遠不達標，分數為0分

for col in cols:
    s = df_girl[col].apply(convert, args = (col,))
    columns = df_girl.columns.to_list()
    index = columns.index(col) + 1
    df_girl.insert(loc = index, column = col + '分數', value = s)
df_girl.to_excel('./女生體測成績-分數.xlsx', index = False)

df_girl.head(10)

在這里插入圖片描述

4.6 保存成績

最后我們把男女生成績整合到一個檔案當中：

with pd.ExcelWriter('./分數匯總.xlsx') as writer:
    df_boy.to_excel(writer, sheet_name = '男生', index = False)
    df_girl.to_excel(writer, sheet_name = '女生', index = False)

在這里插入圖片描述

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/417153.html

標籤：AI

上一篇：綠色節能，用ESP32 + HaaS Python做一個 智慧路燈 系統，稍加改造也能用在地下室哦

下一篇：新年新氣象，100行 Python 代碼制作動態鞭炮

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C＃(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 網閘典型架構簡述

    網閘架構一般分為兩種：三主機的三系統架構網閘和雙主機的2+1架構網閘。 三主機架構分別為內端機、外端機和仲裁機。三機無論從軟體和硬體上均各自獨立。首先從硬體上來看，三機都用各自獨立的主板、記憶體及存盤設備。從軟體上來看，三機有各自獨立的作業系統。這樣能達到完全的三機獨立。對于“2+1”系統，“2”分為 ......

    uj5u.com 2020-09-10 02:00:44 more
  • 如何從xshell上傳檔案到centos linux虛擬機里

    如何從xshell上傳檔案到centos linux虛擬機里及：虛擬機CentOs下執行 yum -y install lrzsz命令，出現錯誤：鏡像無法找到軟體包 前言 一、安裝lrzsz步驟 二、上傳檔案 三、遇到的問題及解決方案 總結 前言 提示：其實很簡單，往虛擬機上安裝一個上傳檔案的工具 ......

    uj5u.com 2020-09-10 02:00:47 more
  • 一、SQLMAP入門

    一、SQLMAP入門 1、判斷是否存在注入 sqlmap.py -u 網址/id=1 id=1不可缺少。當注入點后面的引數大于兩個時。需要加雙引號， sqlmap.py -u "網址/id=1&uid=1" 2、判斷文本中的請求是否存在注入 從文本中加載http請求，SQLMAP可以從一個文本檔案中 ......

    uj5u.com 2020-09-10 02:00:50 more
  • Metasploit 簡單使用教程

    metasploit 簡單使用教程 浩先生， 2020-08-28 16:18:25 分類專欄： kail 網路安全 linux 文章標簽： linux資訊安全 編輯 著作權 metasploit 使用教程 前言 一、Metasploit是什么？ 二、準備作業 三、具體步驟 前言 Msfconsole ......

    uj5u.com 2020-09-10 02:00:53 more
  • 游戲逆向之驅動層與用戶層通訊

    驅動層代碼： #pragma once #include <ntifs.h> #define add_code CTL_CODE(FILE_DEVICE_UNKNOWN,0x800,METHOD_BUFFERED,FILE_ANY_ACCESS) /* 更多游戲逆向視頻www.yxfzedu.com ......

    uj5u.com 2020-09-10 02:00:56 more
  • 北斗電力時鐘（北斗授時服務器）讓網路資料更精準

    北斗電力時鐘（北斗授時服務器）讓網路資料更精準 北斗電力時鐘（北斗授時服務器）讓網路資料更精準 京準電子科技官微——ahjzsz 近幾年，資訊技術的得了快速發展，互聯網在逐漸普及，其在人們生活和生產中都得到了廣泛應用，并且取得了不錯的應用效果。計算機網路資訊在電力系統中的應用，一方面使電力系統的運行 ......

    uj5u.com 2020-09-10 02:01:03 more
  • 【CTF】CTFHub 技能樹 彩蛋 writeup

    ?碎碎念 CTFHub：https://www.ctfhub.com/ 筆者入門CTF時時剛開始刷的是bugku的舊平臺，后來才有了CTFHub。 感覺不論是網頁UI設計，還是題目質量，賽事跟蹤，工具軟體都做得很不錯。 而且因為獨到的金幣制度的確讓人有一種想去刷題賺金幣的感覺。 個人還是非常喜歡這個 ......

    uj5u.com 2020-09-10 02:04:05 more
  • 02windows基礎操作

    我學到了一下幾點 Windows系統目錄結構與滲透的作用 常見Windows的服務詳解 Windows埠詳解 常用的Windows注冊表詳解 hacker DOS命令詳解（net user / type /md /rd/ dir /cd /net use copy、批處理 等） 利用dos命令制作 ......

    uj5u.com 2020-09-10 02:04:18 more
  • 03.Linux基礎操作

    我學到了以下幾點 01Linux系統介紹02系統安裝，密碼啊破解03Linux常用命令04LAMP 01LINUX windows： win03 8 12 16 19 配置不繁瑣 Linux：redhat,centos(紅帽社區版)，Ubuntu server,suse unix:金融機構，證券，銀 ......

    uj5u.com 2020-09-10 02:04:30 more
  • 05HTML

    01HTML介紹 02頭部標簽講解03基礎標簽講解04表單標簽講解 HTML前段語言 js1.了解代碼2.根據代碼 懂得挖掘漏洞 （POST注入/XSS漏洞上傳）3.黑帽seo 白帽seo 客戶網站被黑帽植入劫持代碼如何處理4.熟悉html表單 <html><head><title>TDK標題，描述 ......

    uj5u.com 2020-09-10 02:04:36 more
最新发布
  • 2023年最新微信小程式抓包教程

    01 開門見山 隔一個月發一篇文章，不過分。 首先回顧一下《微信系結手機號資料庫被脫庫事件》，我也是第一時間得知了這個訊息，然后跟蹤了整件事情的經過。下面是這起事件的相關截圖以及近日流出的一萬條資料樣本： 個人認為這件事也沒什么，還不如關注一下之前45億快遞資料查詢渠道疑似在近日復活的訊息。 訊息是 ......

    uj5u.com 2023-04-20 08:48:24 more
  • web3 產品介紹：metamask 錢包 使用最多的瀏覽器插件錢包

    Metamask錢包是一種基于區塊鏈技術的數字貨幣錢包，它允許用戶在安全、便捷的環境下管理自己的加密資產。Metamask錢包是以太坊生態系統中最流行的錢包之一，它具有易于使用、安全性高和功能強大等優點。 本文將詳細介紹Metamask錢包的功能和使用方法。 一、 Metamask錢包的功能 數字資 ......

    uj5u.com 2023-04-20 08:47:46 more
  • vulnhub_Earth

    前言 靶機地址->>>vulnhub_Earth 攻擊機ip：192.168.20.121 靶機ip：192.168.20.122 參考文章 https://www.cnblogs.com/Jing-X/archive/2022/04/03/16097695.html https://www.cnb ......

    uj5u.com 2023-04-20 07:46:20 more
  • 從4k到42k，軟體測驗工程師的漲薪史，給我看哭了

    清明節一過，盲猜大家已經無心上班，在數著日子準備過五一，但一想到銀行卡里的余額……瞬間心情就不美麗了。最近，2023年高校畢業生就業調查顯示，本科畢業月平均起薪為5825元。調查一出，便有很多同學表示自己又被平均了。看著這一資料，不免讓人想到前不久中國青年報的一項調查：近六成大學生認為畢業10年內會 ......

    uj5u.com 2023-04-20 07:44:00 more
  • 最新版本 Stable Diffusion 開源 AI 繪畫工具之中文自動提詞篇

    🎈 標簽生成器 由于輸入正向提示詞 prompt 和反向提示詞 negative prompt 都是使用英文，所以對學習母語的我們非常不友好 使用網址：https://tinygeeker.github.io/p/ai-prompt-generator 這個網址是為了讓大家在使用 AI 繪畫的時候 ......

    uj5u.com 2023-04-20 07:43:36 more
  • 漫談前端自動化測驗演進之路及測驗工具分析

    隨著前端技術的不斷發展和應用程式的日益復雜，前端自動化測驗也在不斷演進。隨著 Web 應用程式變得越來越復雜，自動化測驗的需求也越來越高。如今，自動化測驗已經成為 Web 應用程式開發程序中不可或缺的一部分，它們可以幫助開發人員更快地發現和修復錯誤，提高應用程式的性能和可靠性。 ......

    uj5u.com 2023-04-20 07:43:16 more
  • CANN開發實踐：4個DVPP記憶體問題的典型案例解讀

    摘要：由于DVPP媒體資料處理功能對存放輸入、輸出資料的記憶體有更高的要求（例如，記憶體首地址128位元組對齊），因此需呼叫專用的記憶體申請介面，那么本期就分享幾個關于DVPP記憶體問題的典型案例，并給出原因分析及解決方法。 本文分享自華為云社區《FAQ_DVPP記憶體問題案例》，作者：昇騰CANN。 DVPP ......

    uj5u.com 2023-04-20 07:43:03 more
  • msf學習

    msf學習 以kali自帶的msf為例 一、msf核心模塊與功能 msf模塊都放在/usr/share/metasploit-framework/modules目錄下 1、auxiliary 輔助模塊，輔助滲透（埠掃描、登錄密碼爆破、漏洞驗證等） 2、encoders 編碼器模塊，主要包含各種編碼 ......

    uj5u.com 2023-04-20 07:42:59 more
  • Halcon軟體安裝與界面簡介

    1. 下載Halcon17版本到到本地 2. 雙擊安裝包后 3. 步驟如下 1.2 Halcon軟體安裝 界面分為四大塊 1. Halcon的五個助手 1) 影像采集助手：與相機連接，設定相機引數，采集影像 2) 標定助手：九點標定或是其它的標定，生成標定檔案及內參外參，可以將像素單位轉換為長度單位 ......

    uj5u.com 2023-04-20 07:42:17 more
  • 在MacOS下使用Unity3D開發游戲

    第一次發博客，先發一下我的游戲開發環境吧。 去年2月份買了一臺MacBookPro2021 M1pro(以下簡稱mbp)，這一年來一直在用mbp開發游戲。我大致分享一下我的開發工具以及使用體驗。 1、Unity 官網鏈接： https://unity.cn/releases 我一般使用的Apple ......

    uj5u.com 2023-04-20 07:40:19 more

Copyright © 2010-2020 有解無憂