pandas 统计满足条件的行

要统计满足条件的行数，可以使用 Pandas 的布尔索引和 sum 方法。

假设你的 DataFrame 名称为 df，要统计列名为 "column_name"，值为 "value" 的行数，代码如下：

count = (df['column_name'] == 'value').sum()

其中，(df['column_name'] == 'value') 返回的是一个布尔索引，表示每一行是否满足条件。sum 方法会将 True 转换为 1，False 转换为 0，然后对它们进行求和，得到满足条件的行数。

如果要统计多个条件的行数，可以使用 & 连接多个条件：

count = ((df['column_name1'] == 'value1') & (df['column_name2'] == 'value2')).sum()

同样地，这里的 & 代表逻辑与，| 代表逻辑或。

相关问题

pandas按条件统计某列元素个数

要按条件统计某列元素的个数，可以使用 Pandas 库中的条件筛选语句和 `value_counts()` 方法的组合。以下示例展示了如何实现：

假设有一个 DataFrame 名为 `df`，其中有一个列名为 `column_name`，我们想要统计满足某个条件的元素个数，可以使用以下代码：

df[df['column_name'] > condition_value]['column_name'].value_counts()

在上述代码中，`condition_value` 是你所设定的条件值，可以根据实际情况进行更改。该代码先使用条件筛选语句 `df['column_name'] > condition_value` 来筛选出满足条件的行，然后再对筛选结果中的 `column_name` 列使用 `value_counts()` 方法来统计元素个数。

同样，你也可以将结果保存到一个新的 DataFrame 中，例如：

new_df = df[df['column_name'] > condition_value]['column_name'].value_counts().reset_index()
new_df.columns = ['element', 'count']

这将创建一个新的 DataFrame，其中包含两列，一列为满足条件的元素，另一列为该元素在列中出现的次数。

Pandas统计分析基础01：创建数据和数据的查询

Pandas是Python中用于数据分析的强大库，它的核心数据结构是DataFrame，类似于电子表格或SQL表。创建数据方面，你可以通过几种方式：

1. **字典**：可以直接使用字典构建DataFrame，键作为列名，值作为行的数据。

data = {'Name': ['John', 'Anna', 'Peter'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data)

2. **CSV文件**：读取外部文件，如`.csv`或`.xlsx`，可以使用`pandas.read_csv()`或`read_excel()`函数。

df = pd.read_csv('file.csv')

3. **Numpy数组**：将NumPy数组转换为DataFrame。

import numpy as np
arr = np.random.rand(3, 2)
df = pd.DataFrame(arr, columns=['Column1', 'Column2'])

对于数据查询，Pandas提供了丰富的功能：
- **选择特定列**：`df['column_name']` 或 `df[['column1', 'column2']]`。
- **过滤行**：布尔索引来选取满足条件的行，例如`df[df['Age'] > 30]`。
- **排序**：`df.sort_values(by='column')` 或 `df.sort_index(axis=0)`。
- **聚合计算**：对数据进行分组并计算汇总，如`df.groupby('category').mean()`。