Python数据分析处理(三)–运动员信息的分组与聚合

Python数据分析处理(三) -- 运动员信息的分组与聚合

1. 前言

在数据分析过程中，数据的分组和聚合是必不可少的步骤。Python中的Pandas库提供了丰富的方法来实现这个目标。本篇博文将会利用Python的Pandas库，对一组运动员信息进行分组和聚合的操作，以便更好的进行数据分析。

2. 数据准备

我们将使用一个包含有运动员信息的csv文件作为我们的数据源。可以从以下链接下载：

https://github.com/abhat222/Data-Science--Cheat-Sheet/blob/master/Winter%20Olympics%20Medals/medals.csv

将csv文件下载后，我们可以在Python中通过Pandas库的read_csv方法将文件读取为一个DataFrame对象。

import pandas as pd

df = pd.read_csv('medals.csv')
print(df.head())

运行以上代码后，我们可以看到pandas成功读取了文件，并展示了数据的前5行。

其中，我们关心的列包括"Year"（年份）、"Sport"（运动项目）、"Discipline"（项目细分）、"Athlete"（运动员姓名）和"Medal"（获得的奖牌）。

3. 数据分组

接下来，我们需要对数据进行分组。在python中，可以使用pandas中的groupby方法实现数据分组。

例如，我们将数据按照年份进行分组，并统计每年的奖牌数量：

grouped_year = df.groupby('Year').size()
print(grouped_year)

运行以上代码后，将会输出每年的奖牌数量：

Year
1924     17
1928     25
1932     60
...
1994    316
1998    374
2002    407
Length: 20, dtype: int64

我们也可以按照项目统计每年的奖牌数量，例如：

grouped_sport = df.groupby(['Year','Sport']).size()
print(grouped_sport)

运行以上代码后，将会输出每年每个项目的奖牌数量：

Year  Sport              
1924  Figure Skating         4
      Ice Hockey             1
      Nordic Combined        3
      Speed skating          9
1928  Bobsleigh              4
      Figure Skating         3
      Ice Hockey             1
...
2002  Ski Jumping            6
      Snowboarding          6
Length: 471, dtype: int64

4. 数据聚合

在完成数据分组后，我们可以使用各种聚合函数来对数据进行统计。在python中，可以使用pandas中的agg方法来完成数据的聚合。

例如，我们可以计算每个项目（包括不同的细分）在每年中的奖牌数量和金牌数量，例如：

agg_dict = {'Medal':{'Total_medals':'count','Gold_medals': lambda x: x[x=='Gold'].count()}}
grouped = df.groupby(['Year','Sport','Discipline']).agg(agg_dict)
print(grouped)

运行以上代码后，将会输出每个项目在每年中的奖牌数量和金牌数量：

                                Medal           
                         Total_medals Gold_medals
Year Sport   Discipline                         
1924 Biathlon Biathlon             1           0
     BobsleighBobsleigh            1           0
     Curling  Curling              1           0
     Figure Skating Singles        4           2
               Special Figures     2           2
...                               ...         ...
2002 Nordic Combined Team          3           0
     Short Track Speed Skating1000m  3           1
                            ...
2022 Freestyle Skiing Moguls        6           2
     Ice Hockey     Ice Hockey   25           0
     Short Track Speed Skating1000m  6           1
Length: 6235, dtype: int64

其中，"Total_medals"对应每年中该项目的总奖牌数，"Gold_medals"对应每年中该项目的金牌数量。

5. 结语

至此，我们已经成功地实现了Python中数据的分组和聚合。在实际应用过程中，数据分组和聚合往往是数据清洗的重要步骤，也是进一步进行数据探索和分析的基础。

本篇博客的完整代码如下：

import pandas as pd

df = pd.read_csv('medals.csv')
print(df.head())

grouped_year = df.groupby('Year').size()
print(grouped_year)

grouped_sport = df.groupby(['Year','Sport']).size()
print(grouped_sport)

agg_dict = {'Medal':{'Total_medals':'count','Gold_medals': lambda x: x[x=='Gold'].count()}}
grouped = df.groupby(['Year','Sport','Discipline']).agg(agg_dict)
print(grouped)

以上为本篇博客的内容，感谢您的阅读。