常用统计方法(3) -- max min idxmax idxmin

常用统计方法(3) — max、min、idxmax、idxmin

小象实战讲义 · Python数据分析实战

在数据分析中，快速找到数据集中的极值（最大值、最小值）及其所在位置，是进行数据探索和异常值识别的基础操作。本节将学习 Pandas 提供的四个核心统计方法：max()、min()、idxmax() 和 idxmin()，它们能帮助你高效地定位数据中的关键信息点。

💡 核心导读

• 最大值与最小值：掌握 max() 和 min() 方法，用于计算 Series 或 DataFrame 各列（或行）的最大值与最小值。
• 极值索引定位：理解 idxmax() 和 idxmin() 的作用，它们返回最大值或最小值所在的索引标签。
• 版本演进：了解 argmax() 和 argmin() 在近期 Pandas 版本中已被弃用，推荐使用 idxmax() 和 idxmin()。
• 字符串排序规则：明确字符串类型数据在比较大小（求极值）时，遵循字母顺序的排序规则。
• 实战应用：通过模拟的幸福指数数据集，综合运用这些方法进行数据探索。

1. 方法概述与基本用法

Pandas 提供了两组紧密相关的方法来寻找极值及其位置：

1. max() 与 min()：计算数据中的最大值和最小值。
2. idxmax() 与 idxmin()：返回最大值和最小值对应的索引（index）。

这里需要特别注意，idx 就是 index 的缩写。在早期的 Pandas 版本中，对应功能的方法名为 argmax() 和 argmin()。但在近期版本中，官方已提示将逐步停止使用 argmax 和 argmin，并推荐使用 idxmax 和 idxmin。因此，我们在今后的学习和实践中，应统一使用 idxmax 和 idxmin。

为了直观理解，我们先构造一个简单的 DataFrame 示例。

import pandas as pd

# 构造一个简单的DataFrame示例
simple_df = pd.DataFrame({
    'A': [0, 5, 2],
    'B': [8, 3, 3],
    'C': [4, 5, 6]
})
print("示例数据：")
print(simple_df)
print("\n数据类型：")
print(simple_df.dtypes)

示例数据：
   A  B  C
0  0  8  4
1  5  3  5
2  2  3  6

数据类型：
A    int64
B    int64
C    int64
dtype: object

2. max() 与 min() 详解

max() 和 min() 的使用非常简单。对 Series 调用，返回该 Series 的最大/最小值；对 DataFrame 调用，默认返回每一列的最大/最小值。

import pandas as pd

# 构造示例数据（每个代码块自包含）
simple_df = pd.DataFrame({
    'A': [0, 5, 2],
    'B': [8, 3, 3],
    'C': [4, 5, 6]
})

# 计算整个DataFrame每列的最大值和最小值
print("每列的最大值：")
print(simple_df.max())
print("\n每列的最小值：")
print(simple_df.min())

# 也可以针对单列（Series）进行计算
print(f"\n列'A'的最大值：{simple_df['A'].max()}")
print(f"列'A'的最小值：{simple_df['A'].min()}")

每列的最大值：
A    5
B    8
C    6
dtype: int64

每列的最小值：
A    0
B    3
C    4
dtype: int64

列'A'的最大值：5
列'A'的最小值：0

观察输出：

• 列 A：值 [0, 5, 2]，最大值是 5，最小值是 0。
• 列 B：值 [8, 3, 3]，最大值是 8，最小值是 3。
• 列 C：值 [4, 5, 6]，最大值是 6，最小值是 4。

3. idxmax() 与 idxmin() 详解

idxmax() 和 idxmin() 返回的是极值所在的索引位置，而不是极值本身。这对于定位数据行非常有用。

import pandas as pd

# 构造示例数据（每个代码块自包含）
simple_df = pd.DataFrame({
    'A': [0, 5, 2],
    'B': [8, 3, 3],
    'C': [4, 5, 6]
})

# 找出每列最大值对应的行索引
print("每列最大值对应的行索引：")
print(simple_df.idxmax())

print("\n每列最小值对应的行索引：")
print(simple_df.idxmin())

# 针对单列（Series）查找索引
print(f"\n列'A'最大值所在的索引：{simple_df['A'].idxmax()}")
print(f"列'A'最小值所在的索引：{simple_df['A'].idxmin()}")

每列最大值对应的行索引：
A    1
B    0
C    2
dtype: int64

每列最小值对应的行索引：
A    0
B    1
C    0
dtype: int64

列'A'最大值所在的索引：1
列'A'最小值所在的索引：0

我们来逐列验证：

• 列 A：最大值 5 在索引 1 的位置（0, 5, 2），最小值 0 在索引 0 的位置。
• 列 B：最大值 8 在索引 0 的位置（8, 3, 3）。最小值 3 在索引 1 和 2 的位置，idxmin() 默认返回第一个遇到的最小值索引，所以是 1。
• 列 C：最大值 6 在索引 2 的位置（4, 5, 6），最小值 4 在索引 0 的位置。

这与我们之前学习的 NumPy 中的 argmax 和 argmin 功能一致，只是现在在 Pandas 中我们使用 idxmax 和 idxmin 这个更贴切的名称。

4. 字符串数据的极值处理

一个有趣的问题是：如果列中的数据是字符串，max() 和 min() 会返回什么？答案是：字符串可以排序，其大小比较基于字母顺序（对于英文而言）。max() 返回按字母顺序排在最后的字符串，min() 返回按字母顺序排在最前的字符串。

原课程使用了2016年全球幸福指数数据集进行演示。因年代较久，本节我们使用模拟的中性数据来演示同一套方法。

import pandas as pd

# 模拟一个小型幸福指数数据集（包含字符串和数值列）
simulated_happiness = pd.DataFrame({
    'Country': ['Finland', 'Denmark', 'Switzerland', 'Zimbabwe', 'Afghanistan'],
    'Region': ['Western Europe', 'Western Europe', 'Western Europe', 'Sub-Saharan Africa', 'South Asia'],
    'Happiness Score': [7.526, 7.509, 7.428, 3.875, 3.203],
    'Economy (GDP per Capita)': [1.441, 1.501, 1.566, 0.366, 0.350]
})
print("模拟幸福指数数据：")
print(simulated_happiness)
print("\n数据类型：")
print(simulated_happiness.dtypes)

模拟幸福指数数据：
       Country              Region  Happiness Score  Economy (GDP per Capita)
0      Finland      Western Europe            7.526                     1.441
1      Denmark      Western Europe            7.509                     1.501
2  Switzerland      Western Europe            7.428                     1.566
3     Zimbabwe  Sub-Saharan Africa            3.875                     0.366
4  Afghanistan          South Asia            3.203                     0.350

数据类型：
Country                         str
Region                          str
Happiness Score             float64
Economy (GDP per Capita)    float64
dtype: object

现在，我们对字符串列应用 max() 和 min()。

import pandas as pd

# 构造模拟数据（每个代码块自包含）
simulated_happiness = pd.DataFrame({
    'Country': ['Finland', 'Denmark', 'Switzerland', 'Zimbabwe', 'Afghanistan'],
    'Region': ['Western Europe', 'Western Europe', 'Western Europe', 'Sub-Saharan Africa', 'South Asia'],
    'Happiness Score': [7.526, 7.509, 7.428, 3.875, 3.203],
    'Economy (GDP per Capita)': [1.441, 1.501, 1.566, 0.366, 0.350]
})

print("'Country' 列的最大值（按字母顺序）：", simulated_happiness['Country'].max())
print("'Country' 列的最小值（按字母顺序）：", simulated_happiness['Country'].min())
print("\n'Region' 列的最大值（按字母顺序）：", simulated_happiness['Region'].max())
print("'Region' 列的最小值（按字母顺序）：", simulated_happiness['Region'].min())

# 数值列的极值
print(f"\n'Happiness Score' 最大值：{simulated_happiness['Happiness Score'].max():.3f}")
print(f"'Happiness Score' 最小值：{simulated_happiness['Happiness Score'].min():.3f}")

'Country' 列的最大值（按字母顺序）： Zimbabwe
'Country' 列的最小值（按字母顺序）： Afghanistan

'Region' 列的最大值（按字母顺序）： Western Europe
'Region' 列的最小值（按字母顺序）： South Asia

'Happiness Score' 最大值：7.526
'Happiness Score' 最小值：3.203

解释：

• Country 列：按字母顺序，'Zimbabwe' (Z开头) 排在最后，是最大值；'Afghanistan' (A开头) 排在最前，是最小值。
• Region 列：'Western Europe' (W开头) 比 'Sub-Saharan Africa' (S开头) 和 'South Asia' (S开头) 靠后，是最大值；'South Asia' 是三个中字母顺序最靠前的，是最小值。
• Happiness Score 列：数值上的最大值是 7.526，最小值是 3.203。

5. 综合实战：定位幸福指数极值

在实际分析中，我们不仅想知道最高分和最低分是多少，更想知道是哪个国家（对应哪一行数据）获得了这个分数。这时 idxmax() 和 idxmin() 就派上用场了。

import pandas as pd

# 构造模拟数据（每个代码块自包含）
simulated_happiness = pd.DataFrame({
    'Country': ['Finland', 'Denmark', 'Switzerland', 'Zimbabwe', 'Afghanistan'],
    'Region': ['Western Europe', 'Western Europe', 'Western Europe', 'Sub-Saharan Africa', 'South Asia'],
    'Happiness Score': [7.526, 7.509, 7.428, 3.875, 3.203],
    'Economy (GDP per Capita)': [1.441, 1.501, 1.566, 0.366, 0.350]
})

# 找出幸福指数最高和最低的国家的行索引
max_happiness_idx = simulated_happiness['Happiness Score'].idxmax()
min_happiness_idx = simulated_happiness['Happiness Score'].idxmin()

print(f"幸福指数最高的行索引：{max_happiness_idx}")
print(f"对应的国家：{simulated_happiness.loc[max_happiness_idx, 'Country']}，分数：{simulated_happiness.loc[max_happiness_idx, 'Happiness Score']:.3f}")

print(f"\n幸福指数最低的行索引：{min_happiness_idx}")
print(f"对应的国家：{simulated_happiness.loc[min_happiness_idx, 'Country']}，分数：{simulated_happiness.loc[min_happiness_idx, 'Happiness Score']:.3f}")

# 也可以一次性查看所有数值列的极值索引
print("\n所有数值列最大值对应的行索引：")
print(simulated_happiness.select_dtypes(include=['number']).idxmax())

幸福指数最高的行索引：0
对应的国家：Finland，分数：7.526

幸福指数最低的行索引：4
对应的国家：Afghanistan，分数：3.203

所有数值列最大值对应的行索引：
Happiness Score             0
Economy (GDP per Capita)    2
dtype: int64

从输出可知：

• 幸福指数最高的行索引是 0，对应国家是 Finland，分数为 7.526。
• 幸福指数最低的行索引是 4，对应国家是 Afghanistan，分数为 3.203。
• 对于另一数值列 Economy (GDP per Capita)，最大值在索引 2 的位置，即 Switzerland。

📝 动手练一练

1. 概念辨析：df.max() 和 df.idxmax() 返回的结果类型和含义有什么根本区别？如果对同一个数值列先后调用这两个方法，它们的结果之间有什么联系？

2. 动手实践：假设你有一个记录每日销售额的 Series，名为 daily_sales，其索引为日期字符串（如 '2023-10-01'）。请写出代码，找出销售额最高是哪一天，以及那天的具体销售额。

   # 假设 daily_sales 数据如下
   import pandas as pd
   daily_sales = pd.Series([12000, 15000, 8000, 21000, 18000],
                           index=['2023-10-01', '2023-10-02', '2023-10-03', '2023-10-04', '2023-10-05'])

import pandas as pd
daily_sales = pd.Series([12000, 15000, 8000, 21000, 18000],
                        index=['2023-10-01', '2023-10-02', '2023-10-03', '2023-10-04', '2023-10-05'])

# 找出最高销售额的日期（索引）
best_day = daily_sales.idxmax()
# 找出最高销售额
highest_sales = daily_sales.max()
# 或通过索引获取：highest_sales = daily_sales.loc[best_day]

print(f"销售额最高的一天是：{best_day}")
print(f"当天的销售额为：{highest_sales}")

销售额最高的一天是：2023-10-04
当天的销售额为：21000

本章小结

本节我们学习了 Pandas 中用于寻找极值及其位置的四个核心统计方法。它们是数据探索性分析（EDA）中快速了解数据分布和定位关键观测点的利器。

📋 行动清单

• 掌握方法调用：在本地环境中，对一个包含数值和字符串列的 DataFrame 练习使用 max(), min(), idxmax(), idxmin()，观察其输出。
• 理解索引含义：确保能清晰解释 idxmax() 返回的索引具体指向什么（是行标签还是列标签？）。
• 版本习惯养成：在未来的代码中，有意识地使用 idxmax/idxmin 而非已弃用的 argmax/argmin。

—— 小象教研组