python_综合训练

时间关系，最近很忙，直接把代码分享一下，有兴趣的小伙伴可以直接尝试一下，后面会重点分享一些模型和理论方面的知识，python后面的更新也是侧重到运用啦。

核心知识点：修改表格表头、修改数据格式（如把文字改成数字）。

1. 原材料准备 (data.csv)

程式碼片段

xingming,fenshu
alice,100
ben,98
keely,87
delio,99

2. 第17-18天完整代码

Python

import pandas as pd

# 1. 读取数据
df = pd.read_csv('data.csv')

# 2. 列重命名 (把英文列名改成正规中文)
# columns={'旧列名': '新列名'}
df_renamed = df.rename(columns={'xingming': '姓名', 'fenshu': '分数'})
print("--- 1. 修改列名后的表格 ---")
print(df_renamed)

# 3. 类型转换 (把"分数"从文字转成纯数字，方便后面计算)
# astype() 用于强制转换数据类型
df_renamed['分数'] = df_renamed['分数'].astype(int)

# 4. 保存结果
df_renamed.to_csv('renamed_data.csv', index=False)
print("\n--- 2. 修改完毕并保存成功 ---")

【第19-21天】实际应用：数据分组聚合（类似Excel数据透视表）

• 核心知识点：按类别分组（如按班级、性别），计算每组的平均值或总和。

1. 原材料准备 (data.csv)

程式碼片段

name,class,score
alice,A,100
ben,B,98
keely,A,86
delio,B,90

2. 第19-21天完整代码

Python

import pandas as pd

# 1. 读取数据
df = pd.read_csv('data.csv')

# 2. 按班级(class)分组，并计算每班的平均分
# groupby('分组列') 将数据打包，['计算列'].mean() 计算每组结果
class_avg = df.groupby('class')['score'].mean()
print("--- 1. 各班平均分 ---")
print(class_avg)

# 3. 按班级(class)分组，计算每班的总分
class_sum = df.groupby('class')['score'].sum()
print("\n--- 2. 各班总分 ---")
print(class_sum)

# 4. 保存分组结果
class_avg.to_csv('class_report.csv')
print("\n--- 3. 分组报告已保存 ---")

【第22-25天】高级进阶：多表合并与关联（类似Excel的VLOOKUP）

• 核心知识点：把"学生信息表"和"学生分数表"通过共同的姓名关联拼接到一起。

1. 原材料准备 (需要新建两个文件)

• 文件一：info.csv

程式碼片段

name,age
alice,18
ben,19
keely,18

• 文件二：score.csv

程式碼片段

name,score
alice,100
ben,98
keely,87

2. 第22-25天完整代码

Python

import pandas as pd

# 1. 读取两个独立的数据表
df_info = pd.read_csv('info.csv')
df_score = pd.read_csv('score.csv')

# 2. 多表合并 (通过共同的 'name' 列将两张表拼成大表)
# merge(表1, 表2, on='共同列名')
df_combined = pd.merge(df_info, df_score, on='name')
print("--- 1. 关联合并后的完整表格 ---")
print(df_combined)

# 3. 纵向拼接 (如果有两个班级的表，需要上下接起来)
# concat([表1, 表2], ignore_index=True)
df_all = pd.concat([df_info, df_info], ignore_index=True)
print("\n--- 2. 纵向接续后的表格 ---")
print(df_all)

# 4. 保存结果
df_combined.to_csv('combined_data.csv', index=False)

【第26-28天】第四周终结篇：自动化办公数据总复习与综合实战

• 核心知识点：把前四周学过的读取、清洗、计算、保存融会贯通，形成自动处理流水线。

1. 第26-28天完整代码

Python

import pandas as pd

print("=== 自动化数据分析流水线启动 ===")

# 1. 自动化读取
df = pd.read_csv('data.csv')

# 2. 自动化清洗：去重、补空值
df = df.drop_duplicates()
df['score'] = df['score'].fillna(0)

# 3. 自动化计算与筛选
avg = df['score'].mean()
high_students = df[df['score'] >= 90]

# 4. 控制台打印简报
print(f"【分析完毕】全员平均分：{avg}")
print("【高分榜单】:")
print(high_students)

# 5. 自动化导出最终结果
high_students.to_csv('final_summary_report.csv', index=False)
print("=== 自动化任务执行完毕，结果已安全生成！ ===")