Pandas按一列对结果求和，按另一列对结果排序

Pandas是一个基于Python的数据处理和分析库，它提供了丰富的数据结构和数据分析工具，可以帮助我们高效地处理和分析大型数据集。

如果要按一列对结果求和，可以使用Pandas的groupby函数来实现。groupby函数可以按照指定的列对数据进行分组，并对分组后的数据进行聚合操作。在这个问题中，我们需要按照某一列对数据进行求和操作。

下面是按一列对结果求和的示例代码：

import pandas as pd

# 创建一个DataFrame示例
data = {'Name': ['Tom', 'Nick', 'John', 'Tom', 'Nick'],
        'Age': [20, 25, 30, 35, 40],
        'Salary': [5000, 6000, 7000, 8000, 9000]}
df = pd.DataFrame(data)

# 按照Name列对Salary列进行求和
sum_by_name = df.groupby('Name')['Salary'].sum()

print(sum_by_name)

输出结果为：

Name
John    7000
Nick   15000
Tom    13000
Name: Salary, dtype: int64

上述代码中，我们首先创建了一个包含姓名、年龄和工资的DataFrame。然后，通过groupby('Name')指定按照Name列进行分组，并使用['Salary']选择要进行聚合的列。最后，使用sum()函数对Salary列进行求和操作。

如果要按另一列对结果排序，可以在求和后的结果上使用sort_values()函数进行排序。下面是按照Name列进行求和后按照Age列进行排序的示例代码：

import pandas as pd

# 创建一个DataFrame示例
data = {'Name': ['Tom', 'Nick', 'John', 'Tom', 'Nick'],
        'Age': [20, 25, 30, 35, 40],
        'Salary': [5000, 6000, 7000, 8000, 9000]}
df = pd.DataFrame(data)

# 按照Name列对Salary列进行求和
sum_by_name = df.groupby('Name')['Salary'].sum()

# 按照Age列对结果进行排序
sorted_sum = sum_by_name.sort_values(by='Age')

print(sorted_sum)

输出结果为：

Name
Tom    13000
Nick   15000
John    7000
Name: Salary, dtype: int64

上述代码中，我们使用sort_values(by='Age')对求和后的结果按照Age列进行排序。这样，输出结果将按照Age列的升序排列。

以上是对于问题的完善和全面的回答，如果你想了解更多关于Pandas的知识，你可以访问腾讯云的产品介绍页面：Pandas产品介绍

Pandas是python的一个数据分析包，最初由AQR Capital Management于2008年4月开发，并于2009年底开源出来，目前由专注于Python数据包开发的PyData开发team继续开发和维护，属于PyData项目的一部分。Pandas最初被作为金融数据分析工具而开发出来，因此，pandas为时间序列分析提供了很好的支持。 Pandas的名称来自于面板数据（panel data）和python数据分析（data analysis）。panel data是经济学中关于多维数据集的一个术

010

获取行操作df.loc[3:6]获取列操作df['rowname']取两列df[['a_name','bname']] ，里面需要是一个 list 不然会报错增加一列df['new']=list([...])对某一列除以他的最大值df['a']/df['a'].max()排序某一列df.sorted_values('a',inplace=True,ascending=True) ， inplace 表示排序的时候是否生成一个新的 dataFrame ， ascending=True 表示升序，默认为升序，如果存在缺失的补值（ Nan )，排序的时候会将其排在末尾

上一篇文章一场pandas与SQL的巅峰大战中，我们对比了pandas与SQL常见的一些操作，我们的例子虽然是以MySQL为基础的，但换作其他的数据库软件，也一样适用。工作中除了MySQL，也经常会使用Hive SQL，相比之下，后者有更为强大和丰富的函数。本文将延续上一篇文章的风格和思路，继续对比Pandas与SQL，一方面是对上文的补充，另一方面也继续深入学习一下两种工具。方便起见，本文采用hive环境运行SQL，使用jupyter lab运行pandas。关于hive的安装和配置，我在之前的文章MacOS 下hive的安装与配置提到过，不过仅限于mac版本，供参考，如果你觉得比较困难，可以考虑使用postgreSQL，它比MySQL支持更多的函数(不过代码可能需要进行一定的改动)。而jupyter lab和jupyter notebook功能相同，界面相似，完全可以用notebook代替，我在Jupyter notebook使用技巧大全一文的最后有提到过二者的差别，感兴趣可以点击蓝字阅读。希望本文可以帮助各位读者在工作中进行pandas和Hive SQL的快速转换。本文涉及的部分hive 函数我在之前也有总结过，可以参考常用Hive函数的学习和总结。

作者：Kade Killary 机器之心编译参与：Nurhachu Null、思源对很多数据科学家而言，他们的数据操作经常需要使用 Pandas 或者 Tidyverse。理论上，这个说法没有任何错误，毕竟这就是这些工具存在的原因。然而，对于分隔符转换这样的简单任务而言，这些工具往往是大材小用，我们可以直接使用命令行快速处理。命令行应该是每个开发者都希望掌握的，尤其是数据科学家。熟悉终端的来龙去脉可以毫无疑问地可以让我们变得更加有效率，因此命令行还是计算机技术中的一个很棒的历史课。例如，awk 这个

数据分析篇(五)

attr = pd.DataFrame(np.arange(12).reshape(3,4))

Pandas_Study01

series 和 dataframe 这是pandas 中最为基本的两个概念，series 类似于一维数组，可以近似当成普通的数组进行操作，对于series 默认会有行索引为它索引，但特殊的同时与普通的一维数组不同列表只能有从0开始的整数索引，而series则可以自定义标签索引，这一点来看，跟字典又比较相似，因此series又可以拥有类似字典的操作方式，series 的标签索引可以随时更新修改替换。series 提供有很多方便的方法，用于判断值为空的 isnull, notnull，sort_index(), sort_values() 用于排序的方法等。

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

Pandas按一列对结果求和，按另一列对结果排序

社区

活动

资源

关于

腾讯云开发者

热门产品

热门推荐

更多推荐