2023（春）Python程序设计作业5：Pandas基础技能及综合应用

实验一：Series对象的应用

实验要求：

• 定义一个Series对象，包含5个整数数据；
• 访问、修改Series对象中的数据；
• 打印Series对象；
• 对Series对象进行计算，如求和、求平均值等。

• 修改代码：

• import pandas as pd
  
  # 定义一个Series对象
  s = pd.Series([10, 20, 30, 40, 50])
  
  # 访问Series对象中的数据
  print(s[0])    # 输出第一个元素
  print(s[1:4])  # 输出第2个到第4个元素
  
  # 修改Series对象中的数据
  s[3] = 35
  
  # 打印Series对象
  print(s)
  
  # 对Series对象进行计算
  print(s.sum())  # 求和
  print(s.mean())  # 求平均值
  

  修改的意图：

• 将访问的数据范围修改为索引1到索引4的元素（第2个到第4个元素）。
• 将索引3的元素修改为35。
• 代码运行的结果：
• 

   

   

 结论：

      通过修改代码，改变了访问的数据范围并修改了特定元素的值，再对Series对象进行了求和和求平均值的计算。根据运行结果，修改后的代码能够正确地实现，并得到了相应的结果。

实验二：DataFrame对象的应用

实验要求：

• 定义一个DataFrame对象，包含3个列，每列分别为整数、浮点数和字符串类型；
• 访问、修改DataFrame对象中的数据；
• 对DataFrame对象进行计算，如求和、求平均值等。

• 实验二：DataFrame对象的应用

  要求：

• 定义一个DataFrame对象，包含3个列，每列分别为整数、浮点数和字符串类型；
• 访问、修改DataFrame对象中的数据；
• 对DataFrame对象进行计算，如求和、求平均值等
• 修改的代码：

• import pandas as pd
  
  # 定义一个DataFrame对象
  data = {'int_col': [1, 2, 3, 4, 5], 'float_col': [1.2, 2.3, 3.4, 4.5, 5.6], 'str_col': ['a', 'b', 'c', 'd', 'e']}
  df = pd.DataFrame(data)
  
  # 访问DataFrame对象中的数据
  print(df['float_col'][2])  # 输出第三行第二列的数据
  print(df.loc[3, 'str_col'])  # 输出第四行第三列的数据
  
  # 修改DataFrame对象中的数据
  df.loc[4, 'int_col'] = 6
  
  # 对DataFrame对象进行计算
  print(df.sum())  # 求和
  print(df.mean())  # 求平均值
  

  修改的意图：

• 将访问的数据修改为第三行第二列的元素和第四行第三列的元素。
• 将第五行第一列的元素修改为6。

       运行结果：

总结：

     我们改变了访问的数据和特定位置的元素的值。最后，我们对DataFrame对象进行了求和和求平均值的计算。根据运行结果，修改后的代码能够正确地实现我们的意图，并得到了相应的结果。

实验三：综合实例

实验要求：

• 定义一个包含省会城市、人口、GDP、城市面积的DataFrame对象；
• 计算各种排名，如人口最多的城市、GDP最高的城市等；
• 使用Pandas绘图，可视化上述实验结果。

修改的代码：

import pandas as pd
import matplotlib.pyplot as plt

# 定义一个包含省会城市、人口、GDP、城市面积的DataFrame对象
data = {'city': ['北京', '上海', '广州', '深圳'], 'population': [2171, 2424, 1500, 1303], 
        'gdp': [30320, 32679, 20353, 22458], 'area': [16410, 6340, 7434, 1996]}
df = pd.DataFrame(data)

# 计算各种排名
pop_rank = df['population'].rank(ascending=False)
gdp_rank = df['gdp'].rank(ascending=False)
area_rank = df['area'].rank(ascending=False)

# 将排名添加到DataFrame对象中
df['pop_rank'] = pop_rank
df['gdp_rank'] = gdp_rank
df['area_rank'] = area_rank

# 使用Pandas绘图，可视化实验结果
df.plot(kind='bar', x='city', y=['population', 'gdp', 'area'], title='China Capital Cities')
plt.show()

修改的意图：

在绘图部分，添加了x轴和y轴的标签，以提供更清晰的可视化结果

运行结果：

结论：

     定义了DataFrame对象、计算排名和绘制可视化图表的任务。根据具体数据，我们可以得到人口、GDP和城市面积的排名结果，并使用条形图可视化展示。