• 学习：知识的初次邂逅
• 复习：知识的温故知新
• 练习：知识的实践应用

目录

一，原题力扣链接

二，题干

三，建表语句

四，分析

五，Pandas解答

六，验证

七，知识点总结

---

一，原题力扣链接

. - 力扣（LeetCode）

二，题干

表：Countries

+---------------+---------+
| Column Name   | Type    |
+---------------+---------+
| country_id    | int     |
| country_name  | varchar |
+---------------+---------+
country_id 是这张表的主键(具有唯一值的列)。
该表的每行有 country_id 和 country_name 两列。

表：Weather

+---------------+---------+
| Column Name   | Type    |
+---------------+---------+
| country_id    | int     |
| weather_state | varchar |
| day           | date    |
+---------------+---------+
(country_id, day) 是该表的复合主键(具有唯一值的列)。
该表的每一行记录了某个国家某一天的天气情况。

编写解决方案找到表中每个国家在 2019 年 11 月的天气类型。

天气类型的定义如下：

• 当 weather_state 的平均值小于或等于 15 返回 Cold，
• 当 weather_state 的平均值大于或等于 25 返回 Hot，
• 否则返回 Warm。

以 任意顺序 返回你的查询结果。

返回结果格式如下所示：

示例 1：

输入：
Countries table:
+------------+--------------+
| country_id | country_name |
+------------+--------------+
| 2          | USA          |
| 3          | Australia    |
| 7          | Peru         |
| 5          | China        |
| 8          | Morocco      |
| 9          | Spain        |
+------------+--------------+
Weather table:
+------------+---------------+------------+
| country_id | weather_state | day        |
+------------+---------------+------------+
| 2          | 15            | 2019-11-01 |
| 2          | 12            | 2019-10-28 |
| 2          | 12            | 2019-10-27 |
| 3          | -2            | 2019-11-10 |
| 3          | 0             | 2019-11-11 |
| 3          | 3             | 2019-11-12 |
| 5          | 16            | 2019-11-07 |
| 5          | 18            | 2019-11-09 |
| 5          | 21            | 2019-11-23 |
| 7          | 25            | 2019-11-28 |
| 7          | 22            | 2019-12-01 |
| 7          | 20            | 2019-12-02 |
| 8          | 25            | 2019-11-05 |
| 8          | 27            | 2019-11-15 |
| 8          | 31            | 2019-11-25 |
| 9          | 7             | 2019-10-23 |
| 9          | 3             | 2019-12-23 |
+------------+---------------+------------+
输出：
+--------------+--------------+
| country_name | weather_type |
+--------------+--------------+
| USA          | Cold         |
| Austraila    | Cold         |
| Peru         | Hot          |
| China        | Warm         |
| Morocco      | Hot          |
+--------------+--------------+
解释：
USA 11 月的平均 weather_state 为 (15) / 1 = 15 所以天气类型为 Cold。
Australia 11 月的平均 weather_state 为 (-2 + 0 + 3) / 3 = 0.333 所以天气类型为 Cold。
Peru 11 月的平均 weather_state 为 (25) / 1 = 25 所以天气类型为 Hot。
China 11 月的平均 weather_state 为 (16 + 18 + 21) / 3 = 18.333 所以天气类型为 Warm。
Morocco 11 月的平均 weather_state 为 (25 + 27 + 31) / 3 = 27.667 所以天气类型为 Hot。
我们并不知道 Spain 在 11 月的 weather_state 情况所以无需将他包含在结果中。

三，建表语句

import pandas as pd

data = [[2, 'USA'], [3, 'Australia'], [7, 'Peru'], [5, 'China'], [8, 'Morocco'], [9, 'Spain']]
countries = pd.DataFrame(data, columns=['country_id', 'country_name']).astype({'country_id':'Int64', 'country_name':'object'})
data = [[2, 15, '2019-11-01'], [2, 12, '2019-10-28'], [2, 12, '2019-10-27'], [3, -2, '2019-11-10'], [3, 0, '2019-11-11'], [3, 3, '2019-11-12'], [5, 16, '2019-11-07'], [5, 18, '2019-11-09'], [5, 21, '2019-11-23'], [7, 25, '2019-11-28'], [7, 22, '2019-12-01'], [7, 20, '2019-12-02'], [8, 25, '2019-11-05'], [8, 27, '2019-11-15'], [8, 31, '2019-11-25'], [9, 7, '2019-10-23'], [9, 3, '2019-12-23']]
weather = pd.DataFrame(data, columns=['country_id', 'weather_state', 'day']).astype({'country_id':'Int64', 'weather_state':'Int64', 'day':'datetime64[ns]'})

四，分析

思路

表格大法:

第一步,过滤11月份的数据,

第二步,内连接2个表,条件是国家id=国家id

第三步:以国家id,国家姓名分组,求出每个国家11月份的平均天气

第四步:针对平均天气case when语法 或者pandas中自定义函数的方式开一个新列 赋对应的值

第五步:映射指定的列,并输出

解题过程

第一步,过滤11月份的数据,

在pandas 第二步,内连接2个表,条件是国家id=国家id

在pandas

第三步:以国家id,国家姓名分组,求出每个国家11月份的平均天气

在pandas

第四步:针对平均天气case when语法 或者pandas中自定义函数的方式开一个新列 赋对应的值

在pandas

第五步:映射指定的列,并输出

在pandas

五，Pandas解答

import pandas as pd

def weather_type(countries: pd.DataFrame, weather: pd.DataFrame) -> pd.DataFrame:
    #过滤出来 11月份的
    res = weather[weather['day'].astype(str).str[:7] =='2019-11']
    #内连接
    df = pd.merge(countries,res,how='inner',on='country_id')
    #分组聚合 
    res2 = df.groupby(['country_id','country_name'],as_index=False)['weather_state'].mean()
    #自定义函数 模拟sql中casewhen效果
    def fun(x):
        if x['weather_state']<=15:
            return 'Cold'
        elif x['weather_state']>=25:
            return 'Hot'
        else:
            return 'Warm'

    res2['weather_type'] = res2.apply(fun,axis=1)
    res3= res2[['country_name','weather_type']]
    return res3
weather_type(countries,weather)

六，验证

七，知识点总结

• Pandas中对时间列截取的运用
• Pandas中内连接的运用
• Pandas中分组聚合并且重置索引的运用
• Pandas中自定义函数的运用
• Pandas中映射指定的列的运用
• Python选择分支的运用
• Python条件过滤的运用
• Python中函数的运用

• 学习：知识的初次邂逅
• 复习：知识的温故知新
• 练习：知识的实践应用