这篇文章主要介绍Pandas如何实现DataFrame运算、统计与排序操作，文中介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们一定要看完！
由于DataFrame的数据结构中包含了多行、多列，所以DataFrame的计算与统计可以是用行数据或者用列数据。为了更方便我们的使用，Pandas为我们提供了常用的计算与统计方法：
| 操作 | 方法 | 操作 | 方法 |
|---|---|---|---|
| 求和 | sum | 最大值 | max |
| 求均值 | mean | 最小值 | min |
| 求方差 | var | 标准差 | std |
| 中位数 | median | 众数 | mode |
| 分位数 | quantile |
一.运算
接上文的例子，我们已经有了N个学生的数学、语文、英语的成绩表，现在，我们要算出每个学生的总成绩，那么我们就可以用以下的方法：
'''行的求和以下演示两种方法：方法1：先把待求和的列数据删选出来（剔除掉name列）,然后使用sum函数求和方法2：把待求和的列一个一个选出来然后使用运算符求和两种方法最后的结果为像原有的DataFrame中新增一列，数据为每行数据的求和'''df['sum'] = df[['chinese', 'math', 'english']].sum(1)#方法1df['sum'] = df['chinese'] + df['math'] + df['english']#方法2Output： name chinese english math sum0 XiaoMing 99 100 80 2791 LiHua 102 79 92 2732 HanMeiNei 111 130 104 345在sum方法中我们传入了参数1，代表的是我们使用的轴（axis）为行（对行数据进行求和），如果想要计算出每列的求和我们只用传入0即可（sum函数默认参数为0，所以也可不传）：
df[['chinese', 'math', 'english']].sum(0)Output：chinese 312math 276english 309dtype: int64现在有了总成绩，那么数学老师或者语文老师就会关心本班学生的数据平均分是多少，同样的，我们可以非常快速的计算出来：
df['math'].mean()#方法一：直接使用Pandas提供的mean求均值方法df['math'].sum() / df.shape[0]#方法二：使用求和方法算出总和后除以总人数（行数）Output：92.0本????中使用了DataFrame的shape方法，这个方法是用来显示DataFrame的行数和列数的，行数为0，列数1。需要注意的是输出的列数值是不含索引列的。
上述????只计算了数学的平均分，感兴趣的小伙伴可以自行基础出英语和语文的平均分哦~
二.统计
这个时候数学老师又有新的需求了，他想查看本班学生数学成绩的最高分、最低分、中位数等统计数据，那么根本不慌，Pandas统统可以帮我们搞定：
df['math'].min() # math列的最小值Output：80df['math'].max() # math列的最大值Output：104df['math'].quantile([0.3, 0.4, 0.5]) # math列的30%、40%、50%分位数Output：0.3 87.20.4 89.60.5 92.0Name: math, dtype: float64df['math'].std() # math列的标准差Output：12df['math'].var() # math列的方差Output：144df['math'].mean() # math列的平均数Output：92df['math'].median() # math列的中位数Output：92df['math'].mode() # math列的众数，返回一个Series对象（有可能出现并列的情况，例子中众数为1，所以都返回）Output:0 801 922 104dtype: int64我们也可以使用DataFrame的describe方法对DataFrame查看基本的统计情况：
df.describe()Outprint: chinese english math sumcount 3.000000 3.000000 3.0 3.000000mean 104.000000 103.000000 92.0 299.000000std 6.244998 25.632011 12.0 39.949969min 99.000000 79.000000 80.0 273.00000025% 100.500000 89.500000 86.0 276.00000050% 102.000000 100.000000 92.0 279.00000075% 106.500000 115.000000 98.0 312.000000max 111.000000 130.000000 104.0 345.000000三.排序
一般来讲我们的成绩表都是按照总分从高到低进行排序：
df = df.sort_values(by='sum', ascending=False)Output: name chinese english math sum2 HanMeiNei 111 130 104 3450 XiaoMing 99 100 80 2791 LiHua 102 79 92 273可以看到我们使用了sort_values方法对DataFrame进行排序，同时by参数传入‘sum’指定按照‘sum’字段进行排序，ascending用来设置是降序（False）还是升序（True，默认值）排序。使用sort_values排序后默认会返回一个新的DataFrame对象，也就是说并不会影响原有的DataFrame对象，所以例子中我们才会把排序后的对象赋值给原有的DataFrame对象，如果不想排序后创建新的对象也是可以的，只需要传入inplace=True即可（在原有的DataFrame基础上修改）：
df.sort_values(by='sum', ascending=False, inplace=True)print(df)Output: name chinese english math sum2 HanMeiNei 111 130 104 3450 XiaoMing 99 100 80 2791 LiHua 102 79 92 273细心的小伙伴可能会发现当我们进行排序后，如果DataFrame中的行数据有调整的话，其行的索引值是不会更改的，上述例子中因为我们用了默认的递增数列索引，所以排序后看起来并不是很友好，不过不用担心，我们还是可以重置索引值的：
df = df.sort_values(by='sum', ascending=False).reset_index()Output: index name chinese english math sum0 2 HanMeiNei 111 130 104 3451 0 XiaoMing 99 100 80 2792 1 LiHua 102 79 92 273使用reset_index重设索引后我们的DataFrame对象的索引列确实被重置成了递增的序列，同时也多了列名为index的一列数据。当然我们可以传入drop=True将原有的索引列不插入到新的DataFrame中：
df = df.sort_values(by='sum', ascending=False).reset_index(drop=True) name chinese english math sum0 HanMeiNei 111 130 104 3451 XiaoMing 99 100 80 2792 LiHua 102 79 92 273为了更直观的展示排名情况，我们可以索引值+1这样就展示出了学生的排名情况：
df.index += 1 name chinese english math sum1 HanMeiNei 111 130 104 3452 XiaoMing 99 100 80 2793 LiHua 102 79 92 273以上是“Pandas如何实现DataFrame运算、统计与排序操作”这篇文章的所有内容，感谢各位的阅读！希望分享的内容对大家有帮助，更多相关知识，欢迎关注编程网行业资讯频道！
