入门基础

1、创建DataFrame

题目：将下面的字典创建为DataFrame

  1. data = {"grammer":["Python","C","Java","GO",np.nan,"SQL","PHP","Python"],
  2.        "score":[1,2,np.nan,4,5,6,7,10]}

难度：⭐
期望结果
Pandas进阶修炼120题 - 图1
答案：

  1. df = pd.DataFrame(data)

2、数据提取

题目：提取含有字符串”Python”的行
难度：⭐⭐
期望结果

  1. grammer  score
  2. 0 Python    1.0
  3. 7 Python   10.0

答案：

  1. result=df[df['grammer'].str.contains("Python")]


3、提取列名

题目：输出df的所有列名
难度：⭐
期望结果

  1. Index(['grammer', 'score'], dtype='object')

答案

  1. df.columns

4、修改列名

题目：修改第二列列名为’popularity’
难度：⭐⭐
答案

  1. df.rename(columns={'score':'popularity'}, inplace = True)

5、字符统计

题目：统计grammer列中每种编程语言出现的次数
难度：⭐⭐
答案

  1. df['grammer'].value_counts()

6、缺失值处理

题目：将空值用上下值的平均值填充
难度：⭐⭐⭐
答案

  1. df['popularity'] = df['popularity'].fillna(df['popularity'].interpolate())

7、数据提取

题目：提取popularity列中值大于3的行
难度：⭐⭐
答案

  1. df[df['popularity'] > 3]

8、数据去重

题目：按照grammer列进行去重
难度：⭐⭐
答案

  1. df.drop_duplicates(['grammer'])

9、数据计算

题目：计算popularity列平均值难度：⭐⭐答案

  1. df['popularity'].mean()

10格式转换

题目：将grammer列转换为list难度：⭐⭐答案

  1. df['grammer'].to_list()

11数据保存

题目：将DataFrame保存为EXCEL难度：⭐⭐答案

  1. df.to_excel('filename.xlsx')

12数据查看

题目：查看数据行列数难度：⭐答案

  1. df.shape

13数据提取

题目：提取popularity列值大于3小于7的行难度：⭐⭐答案

  1. df[(df['popularity'] > 3) & (df['popularity'] < 7)]

14位置处理

题目：交换两列位置难度：⭐⭐⭐答案

  1. '''
  2. 方法1
  3. '''
  4. temp = df['popularity']
  5. df.drop(labels=['popularity'], axis=1,inplace = True)
  6. df.insert(0, 'popularity', temp)
  7. df
  8. '''
  9. 方法2
  10. cols = df.columns[[1,0]]
  11. df = df[cols]
  12. df
  13. '''

15数据提取

题目：提取popularity列最大值所在行难度：⭐⭐答案

  1. df[df['popularity'] == df['popularity'].max()]

16数据查看

题目：查看最后5行数据难度：⭐答案

  1. df.tail()

17数据修改

题目：删除最后一行数据难度：⭐答案

  1. df.drop([len(df)-1],inplace=True)

18数据修改

题目：添加一行数据[‘Perl’,6.6]难度：⭐⭐答案

  1. row={'grammer':'Perl','popularity':6.6}
  2. df = df.append(row,ignore_index=True)

19数据整理

题目：对数据按照”popularity”列值的大小进行排序难度：⭐⭐答案

  1. df.sort_values("popularity",inplace=True)

20字符统计

题目：统计grammer列每个字符串的长度难度：⭐⭐⭐答案

  1. df['grammer'].map(lambda x: len(x))

数据处理基础

21数据读取

题目：读取本地EXCEL数据难度：⭐答案

  1. df = pd.read_excel('pandas120.xlsx')

本期部分习题与该数据相关

22数据查看

题目：查看df数据前5行难度：⭐期望输出
Pandas进阶修炼120题 - 图2
答案

  1. df.head()

23数据计算

题目：将salary列数据转换为最大值与最小值的平均值难度：⭐⭐⭐⭐期望输出
Pandas进阶修炼120题 - 图3
答案

  1. #备注，在某些版本pandas中.ix方法可能失效，可使用.iloc，参考https://mp.weixin.qq.com/s/5xJ-VLaHCV9qX2AMNOLRtw
  2. #为什么不能直接使用max，min函数，因为我们的数据中是20k-35k这种字符串，所以需要先用正则表达式提取数字
  3. import re
  4. for i in range(len(df)):
  5.     str1 = df.ix[i,2]
  6.     k = re.findall(r"\d+\.?\d*",str1)
  7.     salary = ((int(k[0]) + int(k[1]))/2)*1000
  8.     df.ix[i,2] = salary
  9. df

**24数据分组

题目：将数据根据学历进行分组并计算平均薪资难度：⭐⭐⭐期望输出

  1. education salary            
  2. 不限 19600.000000
  3. 大专 10000.000000
  4. 本科 19361.344538
  5. 硕士 20642.857143

答案

  1. df.groupby('education').mean()

25时间转换

题目：将createTime列时间转换为月-日难度：⭐⭐⭐期望输出
Pandas进阶修炼120题 - 图4
答案

  1. #备注，在某些版本pandas中.ix方法可能失效，可使用.iloc，参考https://mp.weixin.qq.com/s/5xJ-VLaHCV9qX2AMNOLRtw
  2. for i in range(len(df)):
  3.     df.ix[i,0] = df.ix[i,0].to_pydatetime().strftime("%m-%d")
  4. df.head()

26数据查看

题目：查看索引、数据类型和内存信息难度：⭐期望输出

  1. <class 'pandas.core.frame.DataFrame'>
  2. RangeIndex: 135 entries, 0 to 134
  3. Data columns (total 4 columns):
  4. createTime 135 non-null object
  5. education 135 non-null object
  6. salary 135 non-null int64
  7. categories 135 non-null category
  8. dtypes: category(1), int64(1), object(2)
  9. memory usage: 3.5+ KB

答案

  1. df.info()

27数据查看

题目：查看数值型列的汇总统计难度：⭐答案

  1. df.describe()

28数据整理

题目：新增一列根据salary将数据分为三组难度：⭐⭐⭐⭐输入期望输出
Pandas进阶修炼120题 - 图5
答案

  1. bins = [0,5000, 20000, 50000]
  2. group_names = ['低', '中', '高']
  3. df['categories'] = pd.cut(df['salary'], bins, labels=group_names)

29数据整理

题目：按照salary列对数据降序排列难度：⭐⭐答案

  1. df.sort_values('salary', ascending=False)

30数据提取

题目：取出第33行数据难度：⭐⭐答案

  1. df.loc[32]

31数据计算

题目：计算salary列的中位数难度：⭐⭐答案

  1. np.median(df['salary'])

32数据可视化

题目：绘制薪资水平频率分布直方图难度：⭐⭐⭐期望输出
Pandas进阶修炼120题 - 图6
答案

  1. df.salary.plot(kind='hist')

33数据可视化

题目：绘制薪资水平密度曲线难度：⭐⭐⭐期望输出
Pandas进阶修炼120题 - 图7
答案

  1. df.salary.plot(kind='kde',xlim=(0,80000))

34数据删除

题目：删除最后一列categories难度：⭐答案

  1. del df['categories']

35数据处理

题目：将df的第一列与第二列合并为新的一列难度：⭐⭐答案

  1. df['test'] = df['education']+df['createTime']

36数据处理

题目：将education列与salary列合并为新的一列难度：⭐⭐⭐备注：salary为int类型，操作与35题有所不同答案

  1. df["test1"] = df["salary"].map(str) + df['education']

37数据计算

题目：计算salary最大值与最小值之差难度：⭐⭐⭐答案

  1. df[['salary']].apply(lambda x: x.max() - x.min())

38数据处理

题目：将第一行与最后一行拼接难度：⭐⭐答案

  1. pd.concat([df[:1], df[-2:-1]])

39数据处理

题目：将第8行数据添加至末尾难度：⭐⭐答案

  1. df.append(df.iloc[7])

40数据查看

题目：查看每列的数据类型难度：⭐期望结果

  1. createTime object
  2. education object
  3. salary int64
  4. test object
  5. test1 object
  6. dtype: object

答案

  1. df.dtypes

41数据处理

题目：将createTime列设置为索引难度：⭐⭐答案

  1. df.set_index("createTime")

42数据创建

题目：生成一个和df长度相同的随机数dataframe难度：⭐⭐答案

  1. df1 = pd.DataFrame(pd.Series(np.random.randint(1, 10, 135)))

43数据处理

题目：将上一题生成的dataframe与df合并难度：⭐⭐答案

  1. df= pd.concat([df,df1],axis=1)

44数据计算

题目：生成新的一列new为salary列减去之前生成随机数列难度：⭐⭐答案

  1. df["new"] = df["salary"] - df[0]

45缺失值处理

题目：检查数据中是否含有任何缺失值难度：⭐⭐⭐答案

  1. df.isnull().values.any()

46数据转换

题目：将salary列类型转换为浮点数难度：⭐⭐⭐答案

  1. df['salary'].astype(np.float64)

47数据计算

题目：计算salary大于10000的次数难度：⭐⭐答案

  1. len(df[df['salary']>10000])

48数据统计

题目：查看每种学历出现的次数难度：⭐⭐⭐期望输出

  1. 本科 119
  2. 硕士 7
  3. 不限 5
  4. 大专 4
  5. Name: education, dtype: int64

答案

  1. df.education.value_counts()

49数据查看

题目：查看education列共有几种学历难度：⭐⭐答案

  1. df['education'].nunique()

50数据提取

题目：提取salary与new列的和大于60000的最后3行难度：⭐⭐⭐⭐期望输出
Pandas进阶修炼120题 - 图8
答案

  1. df1 = df[['salary','new']]
  2. rowsums = df1.apply(np.sum, axis=1)
  3. res = df.iloc[np.where(rowsums > 60000)[0][-3:], :]

金融数据处理

51数据读取
题目：使用绝对路径读取本地Excel数据难度：⭐答案

  1. data = pd.read_excel('/Users/Desktop/600000.SH.xls')

备注
请将答案中路径替换为自己机器存储数据的绝对路径，本期相关习题与该数据有关

52数据查看

题目：查看数据前三行难度：⭐期望结果
Pandas进阶修炼120题 - 图9
答案

  1. data.head(3)

53缺失值处理
题目：查看每列数据缺失值情况难度：⭐⭐期望结果

  1. 代码 1
  2. 简称 2
  3. 日期 2
  4. 前收盘价(元) 2
  5. 开盘价(元) 2
  6. 最高价(元) 2
  7. 最低价(元) 2
  8. 收盘价(元) 2
  9. 成交量(股) 2
  10. 成交金额(元) 2
  11. .................

答案

  1. data.isnull().sum()

54缺失值处理

题目：提取日期列含有空值的行难度：⭐⭐期望结果
Pandas进阶修炼120题 - 图10
答案

  1. data[data['日期'].isnull()]

55缺失值处理

题目：输出每列缺失值具体行数难度：⭐⭐⭐期望结果

  1. 列名："代码", 第[327]行位置有缺失值
  2. 列名："简称", 第[327, 328]行位置有缺失值
  3. 列名："日期", 第[327, 328]行位置有缺失值
  4. 列名："前收盘价(元)", 第[327, 328]行位置有缺失值
  5. 列名："开盘价(元)", 第[327, 328]行位置有缺失值
  6. 列名："最高价(元)", 第[327, 328]行位置有缺失值
  7. 列名："最低价(元)", 第[327, 328]行位置有缺失值
  8. 列名："收盘价(元)", 第[327, 328]行位置有缺失值
  9. ................

答案

  1. for columname in data.columns:
  2.     if data[columname].count() != len(data):
  3.         loc = data[columname][data[columname].isnull().values==True].index.tolist()
  4.         print('列名："{}", 第{}行位置有缺失值'.format(columname,loc))

56缺失值处理

题目：删除所有存在缺失值的行难度：⭐⭐答案

  1. data.dropna(axis=0, how='any', inplace=True)

备注

  1. axis：0-行操作（默认），1-列操作
  2. how：any-只要有空值就删除（默认），all-全部为空值才删除
  3. inplace：False-返回新的数据集（默认），True-在原数据集上操作

57数据可视化

题目：绘制收盘价的折线图难度：⭐⭐期望结果
Pandas进阶修炼120题 - 图11
答案

  1. data['收盘价(元)'].plot()

58数据可视化

题目：同时绘制开盘价与收盘价难度：⭐⭐⭐期望结果
Pandas进阶修炼120题 - 图12
答案

  1. data[['收盘价(元)','开盘价(元)']].plot()

备注
中文显示请自己设置，我的字体乱了

59数据可视化

题目：绘制涨跌幅的直方图难度：⭐⭐期望结果
Pandas进阶修炼120题 - 图13
答案

  1. data['涨跌幅(%)'].hist()

60数据可视化

题目：让直方图更细致难度：⭐⭐期望结果
Pandas进阶修炼120题 - 图14
答案

  1. data['涨跌幅(%)'].hist(bins = 30)

61数据创建
题目：以data的列名创建一个dataframe难度：⭐⭐答案

  1. temp = pd.DataFrame(columns = data.columns.to_list())

62异常值处理

题目：打印所有换手率不是数字的行难度：⭐⭐⭐期望结果
Pandas进阶修炼120题 - 图15
答案

  1. for i in range(len(data)):
  2.     if type(data.iloc[i,13]) != float:
  3.         temp = temp.append(data.loc[i])
  4. temp

63异常值处理
题目：打印所有换手率为—的行难度：⭐⭐⭐答案

  1. data[data['换手率(%)'].isin(['--'])]

备注
通过上一题我们发现换手率的异常值只有—

64数据处理
题目：重置data的行号难度：⭐答案

  1. data = data.reset_index()

备注
有时我们修改数据会导致索引混乱

65异常值处理

题目：删除所有换手率为非数字的行难度：⭐⭐⭐答案

  1. k =[]
  2. for i in range(len(data)):
  3.     if type(data.iloc[i,13]) != float:
  4.         k.append(i)
  5. data.drop(labels=k,inplace=True)

66数据可视化

题目：绘制换手率的密度曲线难度：⭐⭐⭐期望结果
Pandas进阶修炼120题 - 图16
答案

  1. data['换手率(%)'].plot(kind='kde')

67数据计算
题目：计算前一天与后一天收盘价的差值难度：⭐⭐答案

  1. data['收盘价(元)'].diff()

68数据计算

题目：计算前一天与后一天收盘价变化率难度：⭐⭐答案

  1. data['收盘价(元)'].pct_change()

69数据处理

题目：设置日期为索引难度：⭐答案

  1. data.set_index('日期')

70指标计算

题目：以5个数据作为一个数据滑动窗口，在这个5个数据上取均值(收盘价)
难度：⭐⭐⭐答案

  1. data['收盘价(元)'].rolling(5).mean()

71指标计算

题目：以5个数据作为一个数据滑动窗口，计算这五个数据总和(收盘价)
难度：⭐⭐⭐答案

  1. data['收盘价(元)'].rolling(5).sum()

72数据可视化

题目：将收盘价5日均线、20日均线与原始数据绘制在同一个图上
难度：⭐⭐⭐期望结果
Pandas进阶修炼120题 - 图17
答案

  1. data['收盘价(元)'].plot()
  2. data['收盘价(元)'].rolling(5).mean().plot()
  3. data['收盘价(元)'].rolling(20).mean().plot()

73数据重采样

题目：按周为采样规则，取一周收盘价最大值
难度：⭐⭐⭐ 答案

  1. data['收盘价(元)'].resample('W').max()

74Spyder——Python编程的“热带雨林”

题目：绘制重采样数据与原始数据
难度：⭐⭐⭐ 期望结果
Pandas进阶修炼120题 - 图18
答案

  1. data['收盘价(元)'].plot()
  2. data['收盘价(元)'].resample('7D').max().plot()

75数据处理

题目：将数据往后移动5天难度：⭐⭐答案

  1. data.shift(5)

76数据处理

题目：将数据向前移动5天难度：⭐⭐答案

  1. data.shift(-5)

77数据计算

题目：使用expending函数计算开盘价的移动窗口均值难度：⭐⭐答案

  1. data['开盘价(元)'].expanding(min_periods=1).mean()

78数据可视化

题目：绘制上一题的移动均值与原始数据折线图难度：⭐⭐⭐期望结果
Pandas进阶修炼120题 - 图19
答案

  1. data[' expanding Open mean']=data['开盘价(元)'].expanding(min_periods=1).mean()
  2. data[['开盘价(元)', 'expanding Open mean']].plot(figsize=(16, 6))

79数据计算

题目：计算布林指标难度：⭐⭐⭐⭐答案

  1. data['former 30 days rolling Close mean']=data['收盘价(元)'].rolling(20).mean()
  2. data['upper bound']=data['former 30 days rolling Close mean']+2*data['收盘价(元)'].rolling(20).std()#在这里我们取20天内的标准差
  3. data['lower bound']=data['former 30 days rolling Close mean']-2*data['收盘价(元)'].rolling(20).std()

80数据可视化

题目：计算布林线并绘制难度：⭐⭐⭐期望结果
Pandas进阶修炼120题 - 图20
答案

  1. data[['收盘价(元)', 'former 30 days rolling Close mean','upper bound','lower bound' ]].plot(figsize=(16, 6))

当Pandas遇上NumPy

81数据查看

题目：导入并查看pandas与numpy版本难度：⭐答案

  1. import pandas as pd
  2. import numpy as np
  3. print(np.__version__)
  4. print(pd.__version__)

82数据创建

题目：从NumPy数组创建DataFrame难度：⭐备注使用numpy生成20个0-100随机数
答案

  1. tem = np.random.randint(1,100,20)
  2. df1 = pd.DataFrame(tem)

83数据创建

题目：从NumPy数组创建DataFrame难度：⭐备注使用numpy生成20个0-100固定步长的数答案

  1. tem = np.arange(0,100,5)
  2. df2 = pd.DataFrame(tem)

84数据创建

题目：从NumPy数组创建DataFrame难度：⭐备注使用numpy生成20个指定分布(如标准正态分布)的数答案

  1. tem = np.random.normal(0, 1, 20)
  2. df3 = pd.DataFrame(tem)

85数据创建

题目：将df1，df2，df3按照行合并为新DataFrame难度：⭐⭐答案

  1. df = pd.concat([df1,df2,df3],axis=0,ignore_index=True)

86数据创建

题目：将df1，df2，df3按照列合并为新DataFrame难度：⭐⭐期望结果

  1. 0 1 2
  2. 0 95 0 0.022492
  3. 1 22 5 -1.209494
  4. 2 3 10 0.876127
  5. 3 21 15 -0.162149
  6. 4 51 20 -0.815424
  7. 5 30 25 -0.303792
  8. ...............

答案

  1. df = pd.concat([df1,df2,df3],axis=1,ignore_index=True)
  2. df

87数据查看
题目：查看df所有数据的最小值、25%分位数、中位数、75%分位数、最大值难度：⭐⭐答案

  1. print(np.percentile(df, q=[0, 25, 50, 75, 100]))

88数据修改

题目：修改列名为col1,col2,col3难度：⭐答案

  1. df.columns = ['col1','col2','col3']

89数据提取

题目：提取第一列中不在第二列出现的数字难度：⭐⭐⭐答案

  1. df['col1'][~df['col1'].isin(df['col2'])]

90数据提取

题目：提取第一列和第二列出现频率最高的三个数字难度：⭐⭐⭐答案

  1. temp = df['col1'].append(df['col2'])
  2. temp.value_counts().index[:3]

91数据提取

题目：提取第一列中可以整除5的数字位置难度：⭐⭐⭐答案

  1. np.argwhere(df['col1'] % 5==0)

92数据计算

题目：计算第一列数字前一个与后一个的差值难度：⭐⭐答案

  1. df['col1'].diff().tolist()

93数据处理

题目：将col1,col2,clo3三列顺序颠倒难度：⭐⭐答案

  1. df.ix[:, ::-1]

94数据提取

题目：提取第一列位置在1,10,15的数字难度：⭐⭐答案

  1. df['col1'].take([1,10,15])

95数据查找
题目：查找第一列的局部最大值位置难度：⭐⭐⭐⭐备注即比它前一个与后一个数字的都大的数字答案

  1. tem = np.diff(np.sign(np.diff(df['col1'])))
  2. np.where(tem == -2)[0] + 1

96数据计算

题目：按行计算df的每一行均值难度：⭐⭐答案

  1. df[['col1','col2','col3']].mean(axis=1)

97数据计算

题目：对第二列计算移动平均值难度：⭐⭐⭐备注每次移动三个位置，不可以使用自定义函数答案

  1. np.convolve(df['col2'], np.ones(3)/3, mode='valid')

98数据修改
题目：将数据按照第三列值的大小升序排列难度：⭐⭐答案

  1. df.sort_values("col3",inplace=True)

99数据修改

题目：将第一列大于50的数字修改为’高’难度：⭐⭐答案

  1. df.col1[df['col1'] > 50]= '高'

100数据计算

题目：计算第一列与第二列之间的欧式距离难度：⭐⭐⭐备注不可以使用自定义函数答案

  1. np.linalg.norm(df['col1']-df['col2'])

一些补充

101数据读取

题目：从CSV文件中读取指定数据难度：⭐⭐备注从数据1中的前10行中读取positionName, salary两列答案

  1. df = pd.read_csv('数据1.csv',encoding='gbk', usecols=['positionName', 'salary'],nrows = 10)

102数据读取

题目：从CSV文件中读取指定数据难度：⭐⭐备注从数据2中读取数据并在读取数据时将薪资大于10000的为改为高
答案

  1. df = pd.read_csv('数据2.csv',converters={'薪资水平': lambda x: '高' if float(x) > 10000 else '低'} )

103数据计算

题目：从dataframe提取数据难度：⭐⭐⭐备注从上一题数据中，对薪资水平列每隔20行进行一次抽样
期望结果
Pandas进阶修炼120题 - 图21
答案

  1. df.iloc[::20, :][['薪资水平']]

104数据处理

题目：将数据取消使用科学计数法难度：⭐⭐输入

  1. df = pd.DataFrame(np.random.random(10)**10, columns=['data'])

期望结果
Pandas进阶修炼120题 - 图22
答案

  1. df.round(3)

105数据处理

题目：将上一题的数据转换为百分数难度：⭐⭐⭐期望结果
Pandas进阶修炼120题 - 图23
答案

  1. df.style.format({'data': '{0:.2%}'.format})

106数据查找

题目：查找上一题数据中第3大值的行号难度：⭐⭐⭐答案

  1. df['data'].argsort()[::-1][7]

107数据处理

题目：反转df的行难度：⭐⭐答案

  1. df.iloc[::-1, :]

108数据重塑

题目：按照多列对数据进行合并难度：⭐⭐输入

  1. df1= pd.DataFrame({'key1': ['K0', 'K0', 'K1', 'K2'],
  2. 'key2': ['K0', 'K1', 'K0', 'K1'],
  3. 'A': ['A0', 'A1', 'A2', 'A3'],
  4. 'B': ['B0', 'B1', 'B2', 'B3']})
  5. df2= pd.DataFrame({'key1': ['K0', 'K1', 'K1', 'K2'],
  6. 'key2': ['K0', 'K0', 'K0', 'K0'],
  7. 'C': ['C0', 'C1', 'C2', 'C3'],
  8. 'D': ['D0', 'D1', 'D2', 'D3']})

答案

  1. pd.merge(df1, df2, on=['key1', 'key2'])

109数据重塑
题目：按照多列对数据进行合并难度：⭐⭐
备注
只保存df1的数据
答案

  1. pd.merge(df1, df2, how='left', on=['key1', 'key2'])

110数据处理

题目：再次读取数据1并显示所有的列难度：⭐⭐备注数据中由于列数较多中间列不显示
答案

  1. df = pd.read_csv('数据1.csv',encoding='gbk')
  2. pd.set_option("display.max.columns", None)
  3. df

111数据查找

题目：查找secondType与thirdType值相等的行号难度：⭐⭐答案

  1. np.where(df.secondType == df.thirdType)

112数据查找

题目：查找薪资大于平均薪资的第三个数据难度：⭐⭐⭐答案

  1. np.argwhere(df['salary'] > df['salary'].mean())[2]

113数据计算
题目：将上一题数据的salary列开根号难度：⭐⭐答案

  1. df[['salary']].apply(np.sqrt)

114数据处理

题目：将上一题数据的linestaion列按_拆分难度：⭐⭐答案

  1. df['split'] = df['linestaion'].str.split('_')

115数据查看

题目：查看上一题数据中一共有多少列难度：⭐答案

  1. df.shape[1]

116数据提取

题目：提取industryField列以’数据’开头的行难度：⭐⭐答案

  1. df[df['industryField'].str.startswith('数据')]

117数据计算

题目：按列制作数据透视表难度：⭐⭐⭐答案

  1. pd.pivot_table(df,values=["salary","score"],index="positionId")

118数据计算

题目：同时对salary、score两列进行计算难度：⭐⭐⭐答案

  1. df[["salary","score"]].agg([np.sum,np.mean,np.min])

119数据计算

题目：对不同列执行不同的计算难度：⭐⭐⭐备注对salary求平均，对score列求和答案

  1. df.agg({"salary":np.sum,"score":np.mean})

120数据计算

题目：计算并提取平均薪资最高的区难度：⭐⭐⭐⭐答案

  1. df[['district','salary']].groupby(by='district').mean().sort_values('salary',ascending=False).head(1)