1、读取testdata.xlsx表格，得到DataFrame对象df。 2、对df 用groupby统计不同性别人群的 “血小板计数”均值，得到df2。 3、用df构建数据透视表，统计不同性别人群的不同吸烟情况的“血小板计数”均值，得到df3。 4、利用df2，使用matplotlib或pandas，创建如下柱形图表。 图表要求：标题字体大小为20号字，字体颜色为蓝色；设置x轴刻度标签倾斜30角度。

好的，我知道了，以下是代码实现。

import pandas as pd
import matplotlib.pyplot as plt

# 读取testdata.xlsx表格，得到DataFrame对象df
df = pd.read_excel('testdata.xlsx')

# 对df用groupby统计不同性别人群的“血小板计数”均值，得到df2
df2 = df.groupby('性别')['血小板计数'].mean()

# 用df构建数据透视表，统计不同性别人群的不同吸烟情况的“血小板计数”均值，得到df3
df3 = df.pivot_table(values='血小板计数', index='性别', columns='吸烟情况', aggfunc='mean')

# 利用df2，使用matplotlib或pandas，创建柱形图表
plt.rcParams['font.sans-serif'] = ['SimHei'] # 设置中文显示
plt.rcParams['axes.unicode_minus'] = False # 设置坐标轴负号显示
plt.title('不同性别人群的血小板计数均值', fontsize=20, color='blue') # 设置标题字体大小和颜色
plt.xticks(rotation=30) # 设置x轴刻度标签倾斜30角度
df2.plot(kind='bar')
plt.show()

希望可以帮到你！

相关问题

1.现有一个职业人群体检数据testdata.xls文件，请完成以下数据分析任务。 （1）用read_excel()方法读取testdata.xls文件到变量df中。 （2）用df.dtypes查看每列的数据类型。 （3）用df.info()查看表结构。 （4）用isnull().sum()统计各字段空缺值。 （5）用dropna()方法删除全为空的列。 （6）用dropna()方法删除“身份证号”为空的行，并用isnull().sum()再次统计空值。 （7）将“开始从事某工作年份：2009年”中的“年”去掉，并用rename()将列名改为“参加工作时间”。将“体检年份：2009年”中的“年”去掉。 （8）用dropna()方法删除“参加工作时间”、“体检年份”为空的行. （9）用astype()方法将“参加工作时间”、“体检年份”数据类型改为int64. （10）增加一列“工龄”，工龄=体检年份-参加工作时间；新增一列“年龄” （11）用groupby()统计不同性别的白细胞计数均值，并用plot()方法绘制柱状图 （12）统计不同年龄段的白细胞计数，并绘制柱状图。年龄划分：小于等于30岁，31~40岁，41~50岁，大于50岁

以下是对应的Python代码：

# （1）读取testdata.xls文件到变量df中
import pandas as pd

df = pd.read_excel('testdata.xls')

# （2）查看每列的数据类型
print(df.dtypes)

# （3）查看表结构
print(df.info())

# （4）统计各字段空缺值
print(df.isnull().sum())

# （5）删除全为空的列
df.dropna(axis=1, how='all', inplace=True)

# （6）删除“身份证号”为空的行，并再次统计空值
df.dropna(subset=['身份证号'], inplace=True)
print(df.isnull().sum())

# （7）将“开始从事某工作年份：2009年”中的“年”去掉，并将列名改为“参加工作时间”；
# 将“体检年份：2009年”中的“年”去掉
df.rename(columns={'开始从事某工作年份：2009年': '参加工作时间', '体检年份：2009年': '体检年份'}, inplace=True)
df['参加工作时间'] = df['参加工作时间'].str.replace('年', '')
df['体检年份'] = df['体检年份'].str.replace('年', '')

# （8）删除“参加工作时间”、“体检年份”为空的行
df.dropna(subset=['参加工作时间', '体检年份'], inplace=True)

# （9）将“参加工作时间”、“体检年份”数据类型改为int64
df['参加工作时间'] = df['参加工作时间'].astype('int64')
df['体检年份'] = df['体检年份'].astype('int64')

# （10）增加一列“工龄”，工龄=体检年份-参加工作时间；新增一列“年龄”
df['工龄'] = df['体检年份'] - df['参加工作时间']
df['年龄'] = df['出生年'].apply(lambda x: 2021 - x)

# （11）统计不同性别的白细胞计数均值，并用plot()方法绘制柱状图
df.groupby('性别')['白细胞计数'].mean().plot(kind='bar')

# （12）统计不同年龄段的白细胞计数，并绘制柱状图。年龄划分：小于等于30岁，31~40岁，41~50岁，大于50岁
bins = [0, 30, 40, 50, 100]
labels = ['<=30', '31~40', '41~50', '>50']
df['年龄段'] = pd.cut(df['年龄'], bins=bins, labels=labels)
df.groupby('年龄段')['白细胞计数'].mean().plot(kind='bar')

步骤1：新建csv格式的测试数据testdata.csv，并编写csvv.py脚本读取csv中的测试数据 步骤2：新建test01.py （

或其他测试用例脚本），引入csvv.py，并使用其中的函数读取testdata.csv中的测试数据，进行测试。

步骤3：在test01.py中编写测试用例，使用unittest模块进行单元测试，验证函数的正确性。

步骤4：运行test01.py，查看测试结果，如果测试通过，则该函数可以正常使用，否则需要进一步修改函数代码，重新进行测试。

步骤5：重复步骤2到步骤4，对其他函数进行测试，确保整个程序的正确性。

步骤6：在程序完全测试通过后，可以考虑使用pytest等测试框架进行更加全面的测试，提高测试覆盖率和测试效率。