pandas分组groupby、agg，排序sort，连接concat、join

连接concat和join

横向连接 pd.concat([df6,df7],axis=1) df6.join(df7) # df6的表格在前面，如需df7的表格在前需要交换位置 注意点： 1、concat这个方法，既可以实现横向连接，也可以实现纵向连接，通过设置axis的值来控制，axis=1表示的是横向连接，如果多个连接的对象，放在列表中 2、join也可以实现 纵向连接 pd.concat([df8,df9],ignore_index=True) 注意点： 1、进行纵向合并的数据，需要用[]集合起来 2、ignore_index忽略原有的行索引，重新排列 3、drop_duplicates()删除重复数据

排序

#按照成绩排序 df10.sort_values('score') #默认升序，从小到大 df10.sort_values(['score','group'],ascending=False,na_position='first') #sort各个属性 参数描述by字符串或者列表，如果是单个排序字段，使用的是字符串，如果指定多个，需要使用列表ascendingTrue的时候，是按照升序，默认是升序na_position表示的是空值的位置，'last’是默认的，'first’开始位置

分组

### groupby df11.groupby('class') df11.groupby(['class','grade']) for cls,data in df11.groupby(['class','grade']): print(cls) print(data) 注意点： 1、groupby 如果指定的是一个列，如果是多个列[] 2、groupby返回的是一个对象，所以不能直接访问，可以使用for

筛选出分组之后的列

如果筛选出一列数据[[列名]]，返回的是dataframe对象 如果筛选出多个列数据，直接使用[]和[[]]均可 总结[[列1，列2，。。。。]]

聚合函数 agg配合使用

dff.groupby('class')[['math']].agg(['mean','max','min','median','std']) 函数描述mean均值max最大值min最小值median中位数std标准差count计数skew偏度quantile指定分位数