| 标题 | 详情 |
|---|---|
| 作者简介 | 愚公搬代码 |
| 头衔 | 华为云特约编辑，华为云云享专家，华为开发者专家，华为产品云测专家，CSDN博客专家，CSDN商业化专家，阿里云专家博主，阿里云签约作者，腾讯云优秀博主，腾讯云内容共创官，掘金优秀博主，亚马逊技领云博主，51CTO博客专家等。 |
| 近期荣誉 | 2022年度博客之星TOP2，2023年度博客之星TOP2，2022年华为云十佳博主，2023年华为云十佳博主，2024年华为云十佳博主等。 |
| 博客内容 | .NET、Java、Python、Go、Node、前端、IOS、Android、鸿蒙、Linux、物联网、网络安全、大数据、人工智能、U3D游戏、小程序等相关领域知识。 |
| 欢迎 | 👍点赞、✍评论、⭐收藏 |
文章目录
🚀前言
在数据分析的过程中，数据的计算与整理是至关重要的步骤。对于使用Pandas库的分析师而言，DataFrame不仅是数据存储的工具，更是进行各种计算和整理的强大助手。通过简单的数据计算，我们可以快速得出有价值的洞察，帮助我们更好地理解数据背后的趋势与模式。
本文将重点介绍如何在DataFrame中进行简单的数据计算与整理，包括基本的统计计算、分组汇总、数据透视等操作。我们将通过实际案例，展示如何利用Pandas的强大功能来快速处理和分析数据，让复杂的计算变得简单直观。
🚀一、DataFrame简单数据计算整理
🔎1.求和（sum函数）
功能：计算行或列的数据总和。
🦋1.1 语法与参数
DataFrame.sum(axis=0, skipna=True, level=None)
| 参数 | 说明 |
|---|---|
axis |
0 按列求和（默认），1 按行求和 |
skipna |
True 自动忽略 NaN（默认），False 包含 NaN（结果为 NaN） |
level |
多层索引时指定层级（默认 None） |
🦋1.2 示例代码
import pandas as pd
# 数据准备
data = [[110, 105, 99], [105, 88, 115], [109, 120, 130]]
index = [1, 2, 3]
columns = ['语文', '数学', '英语']
df = pd.DataFrame(data