Pandas: 每N行对 Pandas 系列求和

您所在的位置：网站首页 › excel每隔一行求和 › Pandas: 每N行对 Pandas 系列求和

Pandas: 每N行对 Pandas 系列求和

2024-07-12 02:40| 来源: 网络整理| 查看: 265

在本文中，我们将介绍如何利用 Pandas 对 Pandas 系列中的每 N 行数据进行求和的方法。假设我们有以下一组数据：

import pandas as pd import numpy as np data = pd.Series(np.arange(10)) print(data)

输出结果如下：

0 0 1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9 dtype: int32

现在我们想对其每两行进行求和，生成一个新的 Pandas 系列。我们可以采用以下方法：

result = data.groupby(data.index // 2).sum() print(result)

输出结果如下：

0 1 1 5 2 9 3 13 4 17 dtype: int32

这里使用了 Pandas 的 groupby 方法，将数据分组，然后对每组数据进行求和。接下来，我们将详细介绍该方法并提供更多示例。

阅读更多：Pandas 教程

Pandas 分组

在 Pandas 中，我们可以使用 groupby 方法将数据按照某个指定条件进行分组。groupby 方法接受的参数可以是一个列名、一个序列、一个 DataFrame 或者一个索引对象。例如，我们有一个如下的 DataFrame：

df = pd.DataFrame({ 'A': ['foo', 'bar', 'foo', 'bar', 'foo', 'bar', 'foo', 'foo'], 'B': ['one', 'one', 'two', 'three', 'two', 'two', 'one', 'three'], 'C': np.random.randn(8), 'D': np.random.randn(8) }) print(df)

输出结果如下：

A B C D 0 foo one -1.009125 0.360619 1 bar one -2.042343 0.647248 2 foo two -0.652537 -0.729684 3 bar three -1.709680 0.008240 4 foo two 0.224480 -1.219944 5 bar two -1.943519 0.292954 6 foo one 0.819940 -0.224259 7 foo three 1.528726 1.438708

我们可以使用 A 列作为分组条件，并对 C 列进行求和：

grouped = df.groupby('A') result = grouped['C'].sum() print(result)

输出结果如下：

A bar -5.695541 foo 0.911485 Name: C, dtype: float64

这里，我们将 DataFrame 按列 A 进行分组，然后对 C 列进行求和。结果显示了每个分组的求和结果。

除了单一的列，我们还可以使用多个列作为分组条件。例如，我们可以使用列 A 和 B 作为分组条件，对 C 列进行求和：

grouped = df.groupby(['A', 'B']) result = grouped['C'].sum() print(result)

输出结果如下：

A B bar one -2.042343 three -1.709680 two -1.943519 foo one -0.189185 three 1.528726 two -0.428057 Name: C, dtype: float64

这里，我们按列 A 和 B 进行分组，然后对 C 列进行求和。结果显示了每个分组的求和结果。

每 N 行数据求和

现在我们回到本文的主题，如何对 Pandas 系列中的每 N 行数据进行求和。我们可以将数据按行分组，然后对每个分组进行求和。例如，我们有以下一组数据：

# 生成一组包含 20 个数据的 PandasSeries： data = pd.Series(np.random.randint(0, 10, size=20)) print(data)

输出结果如下：

0 3 1 4 2 4 3 5 4 6 5 9 6 2 7 3 8 5 9 8 10 1 11 8 12 9 13 0 14 3 15 9 16 4 17 4 18 3 19 7 dtype: int32

现在我们想对每 3 行数据进行求和，生成一个新的 Pandas 系列。我们可以采用以下方法：

result = data.groupby(data.index // 3).sum() print(result)

输出结果如下：

0 11 1 20 2 23 5 12 6 18 7 10 8 11 9 14 dtype: int32

这里，我们将数据按照每 3 行进行分组，然后对每个分组进行求和。下面我们将更详细地介绍该方法。

通过整除运算将数据分组

在上面的示例中，我们使用了整除运算符 // 将数据分组。整除运算符的作用是将除法的结果向下取整，返回整数部分。例如，3 // 2 的结果是 1，而不是 1.5。在我们的例子中，data.index // 3 将 Pandas 系列的索引值除以 3，并向下取整，生成一个新的 Series，用于分组。

将数据根据索引分组

除了使用整除运算分组外，我们还可以根据索引进行分组。例如，我们有以下一组数据：

data = pd.Series(np.random.randint(0, 10, size=20), index=list('abcdefghijlmnopqrs')) print(data)

输出结果如下：

a 4 b 2 c 3 d 6 e 6 f 1 g 3 h 2 i 3 j 4 l 4 m 8 n 5 o 8 p 4 q 5 r 8 s 7 dtype: int32

现在我们想对 a、e、i、m、q 这些索引位置上的数据进行求和。我们先将这些位置的索引生成一个新的 Series：

index = pd.Series(['a', 'e', 'i', 'm', 'q'])

然后，我们将 Pandas 系列的索引与该 Series 进行比对，将属于这些索引位置的数据分组进行求和：

result = data.groupby(data.index.isin(index)).sum() print(result)

输出结果如下：

False 48 True 31 dtype: int32

这里，我们使用了 Pandas 系列的 isin 方法，判断索引是否在指定的索引列表中。然后将结果分组，对每个分组进行求和。结果显示了不属于指定索引位置和属于指定索引位置的两个分组的求和结果。

总结

在本文中，我们介绍了如何利用 Pandas 对 Pandas 系列中的每 N 行数据进行求和的方法。具体来说，我们可以将数据按行进行分组，然后对每个分组进行求和。我们还介绍了 Pandas 的 groupby 方法，它可以将数据按照指定条件进行分组，然后进行聚合操作。通过本文的学习，相信读者对 Pandas 数据分析领域的相关知识有更深入的了解。

【本文地址】

Pandas: 每N行对 Pandas 系列求和

Pandas: 每N行对 Pandas 系列求和

今日新闻

推荐新闻