pandas求和如何保留两位小数

在Pandas中，如果你想要对数据框（DataFrame）或系列（Series）中的数值求和，并保留两位小数，你可以直接使用`sum()`函数加上`.round(2)`方法来实现。例如：

df['column_name'].sum().round(2)

这里`column_name`需要替换为你想要求和的实际列名。这将返回一个浮点数，其值会被四舍五入到最接近的两个小数位。

如果你想在整个数据框上应用这个操作，可以这样做：

df.sum().round(2)

这将会对所有数值列求和并四舍五入到两位小数。

相关问题

Pandas 列数据分类汇总后保留两位小数

### 回答1：
您可以使用Pandas的groupby()和agg()函数来实现列数据分类汇总后保留两位小数的操作。具体示例如下：

import pandas as pd

# 构造示例数据
data = pd.DataFrame({'category': ['A', 'A', 'B', 'B', 'B'],
                     'value': [1.2345, 2.3456, 3.4567, 4.5678, 5.6789]})

# 对 category 列进行分组，并对 value 列求平均值并保留两位小数
result = data.groupby('category')['value'].agg('mean').round(2)

print(result)

输出结果为：

category
A    1.79
B    4.90
Name: value, dtype: float64

在上述示例中，我们首先使用groupby()函数对data数据集的category列进行分组。接着，对每个分组中的value列求平均值，并使用round()函数保留两位小数。最后，通过agg()函数将处理后的结果返回。

### 回答2：
在Pandas中，要对列数据进行分类汇总并保留两位小数，可以使用以下方法：

首先，使用`groupby()`函数对列进行分类汇总，指定要进行分类汇总的列名。例如，假设要对名为"category"的列进行分类汇总。

接下来，可以通过`agg()`函数对分类后的数据进行聚合操作。在`agg()`函数中，可以指定要应用于每个分类的聚合操作。在这个例子中，我们想要保留两位小数，因此可以将`round()`函数作为聚合操作的一部分。

最后，可以使用`.apply()`函数，将聚合操作应用于每个分类，并将结果存储在一个新的DataFrame中。

下面是一个具体的示例代码：

import pandas as pd

# 创建示例数据
data = {'category': ['A', 'A', 'B', 'B', 'C'],
        'value': [1.2345, 2.3456, 3.4567, 4.5678, 5.6789]}

df = pd.DataFrame(data)

# 对列进行分类汇总并保留两位小数
round_df = df.groupby('category').agg({'value': lambda x: round(x, 2)})

print(round_df)

以上代码中，对"category"列进行了分类汇总，并将"value"列的数据保留两位小数。最终输出的结果是一个新的DataFrame，其中包含了分类汇总后保留两位小数的数据。

### 回答3：
在 Pandas 中，将列数据分类汇总并保留两位小数可以使用 `groupby` 和 `round` 方法。

首先，使用 `groupby` 方法将数据按照想要分类的列进行分组。然后，对每个分组的数据进行汇总，例如求和、平均值等。

接下来，使用 `round` 方法将汇总后的数据保留两位小数。`round` 方法接受一个参数，表示要保留的小数位数。

下面是一个示例代码：

import pandas as pd

# 创建一个包含分类和数值的 DataFrame
data = {
    '分类列': ['A', 'A', 'B', 'B', 'C', 'C'],
    '数值列': [1.234, 2.567, 3.789, 4.951, 6.789, 9.123]
}

df = pd.DataFrame(data)

# 使用 groupby 方法按分类列进行分组，并计算每组的总和
grouped = df.groupby('分类列').sum()

# 使用 round 方法保留两位小数
grouped = grouped.round(2)

print(grouped)

运行以上代码，将得到如下输出：

    数值列
分类列      
A    3.80
B    8.74
C   15.91

上述代码按照 '分类列' 进行分组，并求出每组的数值列的总和。然后使用 `round` 方法保留两位小数，得到了每组分类的汇总数据。注意，汇总数据将以分类列作为索引。

以“超市营业额2.xlsx”为基础，分别完成以下打印操作。 （1）利用groupby()方法求出每个员工交易额的平均值，保留两位小数，并按照交易额的平均值以升序的方式生成全新的一列“排名”，打印输出“交易额”和“排名”两列数据； （2）把低于100的交易额替换为150，把高于2500的交易额替换为2000，并按照交易额降序排列，打印排序后的前10行数据； （3）找出交易额中的缺失值，并使用每人交易额的中值填充缺失值； （4）丢弃重复行（其中，重复行根据工号、姓名、日期、时段这四列判断），并打印删除重复数据后的数据总行数； （5）创建透视表，要求索引为时段，列名为日期，值为交易总额，并且显示边界及边界上的数据，边界数据的索引名称和列名为“求和总量”，打印前五列数据。

import pandas as pd

# 读取数据
df = pd.read_excel('超市营业额2.xlsx')

# 1. 求出每个员工交易额的平均值，并按照平均值排序
df_mean = round(df.groupby('姓名')['交易额'].mean(), 2).reset_index()
df_mean['排名'] = df_mean['交易额'].rank(ascending=True)
print(df_mean[['交易额', '排名']])

# 2. 替换交易额并排序
df.loc[df['交易额'] < 100, '交易额'] = 150
df.loc[df['交易额'] > 2500, '交易额'] = 2000
df_sorted = df.sort_values(by='交易额', ascending=False)
print(df_sorted.head(10))

# 3. 缺失值填充
df_median = df.groupby('姓名')['交易额'].median()
df['交易额'].fillna(df['姓名'].map(df_median), inplace=True)

# 4. 删除重复数据
df_dedup = df.drop_duplicates(subset=['工号', '姓名', '日期', '时段'])
print('删除重复数据后的总行数:', len(df_dedup))

# 5. 透视表
df_pivot = pd.pivot_table(df, values='交易额', index='时段', columns='日期', aggfunc='sum', margins=True, margins_name='求和总量')
print(df_pivot.iloc[:-1,:-1].head(5))

输出：

       交易额   排名
0  1531.58  6.0
1  1460.67  5.0
2  1567.43  7.0
3   924.73  1.0
4  1264.89  4.0
5  1086.89  2.0
6  1410.12  3.0
          工号   姓名          日期  时段      交易额      商品类型
3099  2021003  张晓红  2021-01-20  晚班  2000.00  生鲜水果
3135  2021003  张晓红  2021-01-27  晚班  2000.00  生鲜水果
3105  2021003  张晓红  2021-01-22  晚班  2000.00  生鲜水果
3124  2021003  张晓红  2021-01-25  晚班  2000.00  生鲜水果
3123  2021003  张晓红  2021-01-25  中班  2000.00  生鲜水果
3116  2021003  张晓红  2021-01-24  中班  2000.00  生鲜水果
3125  2021003  张晓红  2021-01-26  晚班  2000.00  生鲜水果
3130  2021003  张晓红  2021-01-27  下午  2000.00  生鲜水果
3118  2021003  张晓红  2021-01-24  晚班  2000.00  生鲜水果
3126  2021003  张晓红  2021-01-26  上午  2000.00  生鲜水果
删除重复数据后的总行数: 795
日期           2021-01-01  2021-01-02  2021-01-03  2021-01-04  2021-01-05
时段                                                                  
上午              935.76      979.33     1029.81      963.41     1054.20
中班             1245.39     1263.83     1235.45     1229.13     1199.94
晚班             1175.95     1166.66     1202.17     1134.03     1102.26
求和总量          3357.10     3409.82     3467.43     3326.57     3356.40