2023（春）Python程序设计作业5：Pandas基础技能及综合应用

2023-06-21 21:50:27 905 阅读 AI 写同款 · GEO 优化AI 选题数据监测一键分发 ›

Python编程能力跃迁：从NOJ作业到实战项目的解题思维与技能串联编程能力的核心在于计算思维，即将现实需求转化为清晰、可执行的代码逻辑。其原理是通过对字符串处理、列表操作、函数与算法等基础技术的掌握，构建问题抽象与模型化的能力。掌握这些技术能显著提升代码的鲁棒性和解决实际问题的效率，在数据分析、自动化脚本和Web开发等场景中至关重要。本文以Python NOJ作业题为例，深入剖析如何将字符串处理、列表推导式等分散的知识点，通过实战案例串联成解决日志分析等真实问题的完整技能链，并分享调试技巧与常见避坑指南，帮助学习者实现从解题到项目的关键跃迁。阅读详情

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。

代码实现：


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[2:4]) # 输出第3个到第4个元素
 
# 修改Series对象中的数据
s[1] = 25
# 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

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。

示例代码：

import pandas as pd
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)
print(df['int_col'][0])#数据定位
print(df.loc[1, 'str_col'])
df.loc[2, 'float_col'] = 3.5#数据修改
print("求和为：",end='')
print(df.sum())
print("第一列平均值：",end='')
print(df['int_col'].mean())
print("第二列平均值：",end='')
print(df['float_col'].mean())

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。

示例代码：

 
import pandas as pd
import matplotlib.pyplot as plt
from pylab import mpl
# 设置显示中文字体
mpl.rcParams["font.sans-serif"] = ["SimHei"]
mpl.rcParams["axes.unicode_minus"] = False
# 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
print(df)
#计算人口密度
population_density=df['population']/df['area']
#城市人均GDP
GDP_per_people=df['gdp']/df['population']
#数据添加在表格中
df['population_density']=population_density
df['GDP_per_people']=GDP_per_people
print(df)
# 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()