在DataFrame中添加平均成绩列，依据考试成绩和操行成绩，计算出每位同学的平均成绩, 在控制台打印数据并截图。

在Python的数据分析库pandas中，你可以使用`assign`函数来添加新的列到DataFrame中。假设你有一个名为df的DataFrame，其中包含学生姓名(name)，考试成绩(exam_score)和操行成绩(behavior_score)的列，你可以这样做：

# 假设df是你已经存在的DataFrame
df['Average_Score'] = df[['exam_score', 'behavior_score']].mean(axis=1)

这将计算每行（每位学生）的考试成绩和操行成绩的平均值，并将结果存储在新的列'Average_Score'中。

要打印DataFrame并在控制台显示，可以使用`head()`函数查看前几行，例如：

print(df.head())

至于截图，通常在Python中直接操作是无法截图的，你需要借助外部工具或者特定的库，如`pyautogui`配合操作系统截图命令。如果你是在Jupyter Notebook环境中，可以安装`nbcreenshot`库然后使用`screenshot`函数来截取屏幕。

import nbcreenshot as nbs
nbs.screenshot(filename='average_scores.png')

但这需要笔记本有权限并且已经在你的系统上配置好截图工具。

相关问题

在vmware中使用python在DataFrame中添加平均成绩列，依据考试成绩和操行成绩，计算出每位同学的平均成绩,在控制台打印数据

在 VMware 环境中使用 Python 进行数据分析，特别是处理 pandas DataFrame 数据，你可以按照以下步骤操作：

1. 首先，确保你已经安装了 pandas 和 numpy 库。如果没有，可以使用 `pip install pandas numpy` 来安装。

2. 导入所需的库：

import pandas as pd

3. 创建一个示例 DataFrame，包含学生的考试成绩（ExamScore）和操行成绩（MoralScore），每个学生对应一行：

data = {
    'StudentID': [1, 2, 3, 4],
    'ExamScore': [85, 90, 78, 95],
    'MoralScore': [90, 86, 92, 88]
}
df = pd.DataFrame(data)

4. 添加一个新的列 "AverageScore"，计算每位学生的平均成绩（即考试成绩加操行成绩除以2）：

df['AverageScore'] = (df['ExamScore'] + df['MoralScore']) / 2

5. 打印整个 DataFrame：

print(df)

这将显示更新后的 DataFrame，其中包含每位同学的平均成绩。

计算并输出数据集的以下统计信息：（5分）平均考试成绩最高考试成绩最低考试成绩不同课程的平均成绩使用NumPy和Pandas计算每个课程的考试成绩分布，包括平均分、中位数、标准差等，并将结果存储在一个新的DataFrame中。将该DataFrame按平均分降序排列。（10分）

首先，我们需要导入必要的库，如`pandas`用于数据处理，`numpy`用于数值计算。假设我们有一个包含学生考试成绩的数据集，名为df，其中每一行代表一个学生的成绩，列包括`course_id`（课程ID）和`scores`（考试成绩列表）。

import pandas as pd
import numpy as np

# 假设df结构如下：
#   course_id  scores
# 0       1      [85, 90, 87]
# 1       1      [92, 88, 90]
# 2       2      [78, 80, 82]
# 3       2      [85, 86, 84]

# 1. 计算平均考试成绩
mean_scores = df['scores'].apply(np.mean)

# 2. 找出最高和最低考试成绩
max_score = df['scores'].apply(max)
min_score = df['scores'].apply(min)

# 3. 按课程计算平均成绩
avg_course_scores = df.groupby('course_id')['scores'].apply(np.mean)

# 将以上结果整合到一个新的DataFrame中
stats_df = pd.DataFrame({'Course ID': avg_course_scores.index,
                         'Average Score': avg_course_scores.values,
                         'Max Score': max_score,
                         'Min Score': min_score})

# 4. 计算每个课程的成绩分布统计（例如平均分、中位数、标准差）
for col in ['scores']:
    stats_df[f'{col}_Mean'] = df.groupby('course_id')[col].apply(np.mean)
    stats_df[f'{col}_Median'] = df.groupby('course_id')[col].apply(np.median)
    stats_df[f'{col}_StdDev'] = df.groupby('course_id')[col].apply(np.std)

# 5. 按平均分降序排列
stats_df.sort_values(by='Average Score', ascending=False, inplace=True)

完成上述步骤后，`stats_df`就是所需的新DataFrame，包含了所有指定的统计信息，并按照平均分从高到低排序。