数据分析：合并
🔷 DA37：统计运动会项目报名人数（仅输出有人报名的项目）
✅ 题目描述
给定两个 CSV 文件：
items.csv：包含项目信息（item_id, item_name, location）signup.csv：包含员工报名信息（employee_id, name, sex, department, item_id）
要求：统计每个项目的报名人数，只输出报名人数不为 0 的项目。
💡 即：只要有人报了的项目才显示。
✅ 正确代码
import pandas as pddf_items = pd.read_csv('items.csv', sep=',')
df_signup = pd.read_csv('signup.csv', sep=',')# 内连接合并，自动过滤没有报名记录的项目
df_merge = pd.merge(df_items, df_signup, on='item_id')# 按项目名称分组，统计 employee_id 的数量
result = df_merge.groupby('item_name')['employee_id'].size()print(result)🔍 代码解析
| 行 | 解释 |
|---|---|
pd.merge(..., on='item_id') | 使用 item_id 作为键进行内连接（默认），只有在两个表中都存在的项目才会保留 → 自动排除无人报名的项目 |
.groupby('item_name') | 按“项目名称”分组 |
['employee_id'].size() | 统计每组中有多少条记录（即报名人数）<br>⚠️ 注意：size() 包括 NaN 值；若用 count() 则会跳过 NaN（更安全） |
print(result) | 输出 Series：索引是项目名，值是人数 |
✅ 特点：使用 inner join（默认），天然只保留有报名数据的项目。
🧠 扩展知识
| 知识点 | 说明 |
|---|---|
merge() 默认行为 | 不指定 how 时，默认为 'inner'，即只保留两表共有的 key |
groupby().size() vs .count() | <ul><li>size()：返回每组总行数，包括 NaN</li><li>count()：对各列统计非空值个数</li></ul>在此场景下两者等价（employee_id 不为空） |
| 输出格式 | 返回的是一个 Series，打印时自动省略列名，符合题目要求 |
🔷 DA38：统计运动会项目报名人数（二）—— 包含无人报名的项目
✅ 题目描述
同上，但这次要求：
输出 items.csv 中所有项目的报名人数，即使没人报名也显示为 0。
✅ 正确代码
import pandas as pddf_items = pd.read_csv('items.csv', sep=',')
df_signup = pd.read_csv('signup.csv', sep=',')# 左连接：以 items 为主表，保留所有项目
df_merge = pd.merge(df_items, df_signup, on='item_id', how='left')# 分组并使用 count 统计非空 employee_id 数量
result = df_merge.groupby('item_name')['employee_id'].count()print(result)🔍 代码解析
| 关键点 | 解释 |
|---|---|
how='left' | 左连接，确保 df_items 中的所有项目都被保留<br>→ 即使没人报名，也会出现在结果中，employee_id 为 NaN |
.count() | 只统计非 NaN 的值 → 无人报名则为 0 |
groupby('item_name') | 按项目名聚合 |
print(result) | 输出所有项目及其报名人数（含 0） |
✅ 核心思想：主表驱动 + left join + count 处理缺失值
🧠 扩展知识
| 技巧 | 应用场景 |
|---|---|
left join | 主表完整、从表补充信息的经典模式（如商品+销量） |
fillna(0) | 如果你想显式补零：df_merge['employee_id'].fillna(0) |
reindex() | 若想确保所有项目按 items.csv 顺序出现，可用 reindex |
🔷 DA39：多报名表的运动项目人数统计
✅ 题目描述
新增一个文件 signup1.csv，是另一个部门的报名数据。 要求：将 signup.csv 和 signup1.csv 合并后，再统计各项目的报名人数（只输出有人报名的）。
✅ 正确代码
import pandas as pditem = pd.read_csv("items.csv", sep=",")
sign = pd.read_csv("signup.csv", sep=",")
sign1 = pd.read_csv("signup1.csv", sep=",")# 上下拼接两个报名表
sign_m = pd.concat([sign, sign1], axis=0)# 与项目表内连接
m = pd.merge(sign_m, item, how="inner", on="item_id")# 按项目名分组，统计员工数量
print(m.groupby("item_name")["employee_id"].count())🔍 代码解析
| 步骤 | 说明 |
|---|---|
pd.concat([sign, sign1], axis=0) | 将两个报名表纵向堆叠（union），合并成一张大报名表 |
axis=0 | 沿行方向拼接（上下接） |
merge(..., how='inner') | 只保留存在于 items.csv 中的项目（防止无效 item_id） |
groupby().count() | 统计每个项目的总报名人数（来自两个文件） |
✅ 重点：先合并报名数据，再关联项目信息。
🧠 扩展知识
| 方法 | 用途 |
|---|---|
pd.concat([...], ignore_index=True) | 重置行索引，避免重复 index |
append() 已弃用 | 推荐使用 concat 替代 |
| 去重处理 | 若担心重复报名：sign_m.drop_duplicates(subset=['employee_id', 'item_id']) |
🔷 DA40：统计职能部门中报名标枪的员工信息
✅ 题目描述
找出 职能部门（functional） 中报名了 标枪（javelin） 的所有员工，并输出他们的：
- employee_id
- name
- sex
⚠️ 注意：结果要重置索引（从 0 开始连续编号）
✅ 正确代码
import pandas as pd df1 = pd.read_csv("items.csv", sep=',')
df2 = pd.read_csv("signup.csv", sep=',')# 先合并项目和报名信息
df = pd.merge(df1, df2, on='item_id')# 筛选条件：部门是 functional，项目是 javelin
df_fun = df[(df.department == 'functional') & (df.item_name == "javelin")]# 选择指定列并重置索引
result = df_fun[["employee_id", "name", "sex"]].reset_index(drop=True)print(result)🔍 代码解析
| 步骤 | 说明 |
|---|---|
pd.merge(..., on='item_id') | 获取每个报名记录对应的项目名称 |
(df.A == X) & (df.B == Y) | 多条件筛选，注意括号和 &（不能用 and） |
df[[...]] | 选取特定列 |
.reset_index(drop=True) | 重新生成从 0 开始的整数索引，丢弃原索引 |
✅ 输出是一个 DataFrame，结构清晰。
🧠 扩展知识
| 技术点 | 提示 |
|---|---|
| 条件逻辑运算符 | <ul><li>&：且</li><li>|：或</li><li>~：非</li></ul>必须加括号！ |
| 字符串匹配 | 若不确定拼写可用：<br>df.item_name.str.contains('javelin', case=False) |
query() 方法 | 更简洁的筛选方式：<br>df.query("department == 'functional' and item_name == 'javelin'") |
drop=True | 避免旧索引变成新列 |
📚 总结对比表（四题核心差异）
| 题号 | 目标 | 关键操作 | 连接方式 | 聚合/筛选 |
|---|---|---|---|---|
| DA37 | 有人报名的项目人数 | merge + groupby + size | inner (default) | 只输出有数据的 |
| DA38 | 所有项目（含0人） | merge + left + count | left | 显示0人项目 |
| DA39 | 多报名表汇总 | concat + merge + count | inner | 合并多个源数据 |
| DA40 | 特定人群信息查询 | merge + 多条件筛选 + 列选择 | inner | 输出明细数据 |
🛠️ 通用技巧总结
| 场景 | 推荐做法 |
|---|---|
| 合并多个 CSV 报名表 | pd.concat([df1, df2], axis=0) |
| 关联项目信息 | pd.merge(..., on='item_id') |
| 统计数量 | groupby().size() 或 .count() |
| 保留主表全部数据 | how='left' |
| 筛选满足多个条件的数据 | (cond1) & (cond2) |
| 输出前清理索引 | .reset_index(drop=True) |
| 防止拼写错误 | 检查字段名：df.columns.tolist() |
✅ 学习建议
- 动手实践：把这几道题的数据自己构造出来跑一遍。
- 理解 merge 类型：inner/left/right/outer 的区别是关键。
- 掌握 groupby 和 count/size：数据分析最常用组合。