如何用Python(Pandas)处理OWID新冠数据：去重并按国聚合统计

核心思路 #

OWID的新冠数据是时间序列格式，每个国家对应多条日期记录。要实现每个国家仅显示一次+聚合统计，关键是用Pandas的groupby按国家分组，再针对不同字段选择正确的聚合方式（累计字段取最大值，固定属性取单一值）。

完整代码实现 #

import pandas as pd

# 加载数据集
url = "https://raw.githubusercontent.com/owid/covid-19-data/master/public/data/owid-covid-data.csv"
df = pd.read_csv(url)

# 按国家分组聚合
# 注意：total_开头的字段是累计值，取最大值=最新累计总数；median_age是国家固定属性，取第一个值即可
aggregated_df = df.groupby('location').agg(
    total_tests=('total_tests', 'max'),
    total_vaccinations=('total_vaccinations', 'max'),
    total_deaths=('total_deaths', 'max'),
    avg_death_age=('median_age', 'first')  # 用median_age作为新冠死亡平均年龄的近似（OWID无直接对应字段）
).reset_index()

# 按国家名称字母排序
sorted_df = aggregated_df.sort_values('location').reset_index(drop=True)

# 处理缺失值（可选，将NaN替换为0）
sorted_df = sorted_df.fillna(0)

# 输出规整表格（Jupyter环境直接输出sorted_df即可；终端用to_markdown格式化）
print(sorted_df.to_markdown(index=False))

关键细节说明 #

1. 为什么用max而非sum：
   OWID的total_tests/total_vaccinations/total_deaths是累计统计字段，每天的数值是截止到当天的累计数，因此每个国家的最大值就是最终的总统计数。如果用sum会把所有日期的累计值相加，得到完全错误的结果。

2. 死亡平均年龄的字段选择：
   OWID数据集没有直接提供“新冠死亡平均年龄”字段，这里用median_age（国家人口中位年龄）作为近似值。如果有其他需求，可以替换为对应字段（比如aged_65_older表示65岁以上人口占比）。

3. 去重与排序：
   groupby('location')自动完成国家名称去重，每个国家仅保留一条聚合后的记录；sort_values('location')实现按字母顺序排序。

输出示例（部分） #

内容的提问来源于stack exchange，提问作者ChemEGrant