如何使用Pandas无需循环统计各开发者类型最常用的5种编程语言

实现方案 #

完全可以用Pandas原生方法实现，无需手动写循环遍历，处理效率远高于iterrows遍历，代码逻辑和你原有循环的统计结果完全一致：

import pandas as pd

# 1. 先统计每类开发者的总人数，每个用户仅统计1次
dev_total = merged_df.assign(
    dev_type=merged_df['dev_type'].str.split(';')
).explode('dev_type').groupby('dev_type').size().reset_index(name='dev_total')

# 2. 拆分开发者类型、编程语言字段，展开为独立行后统计各语言使用人数
df_exploded = merged_df.assign(
    dev_type=merged_df['dev_type'].str.split(';'),
    language=merged_df['languages'].str.split(';')
).explode('dev_type').explode('language')
dev_lang_count = df_exploded.groupby(['dev_type', 'language']).size().reset_index(name='lang_cnt')

# 3. 计算各语言占比，按占比排序后取每类开发者的Top5语言
result = dev_lang_count.merge(dev_total, on='dev_type')
result['pct'] = (result['lang_cnt'] / result['dev_total'] * 100).round(2)
top5_result = result.sort_values(['dev_type', 'pct'], ascending=[True, False]).groupby('dev_type').head(5)

# 4. 按你需要的格式输出结果
for dev_type, group in top5_result.groupby('dev_type'):
    print(dev_type)
    for _, row in group.iterrows():
        print(f"\t{row['language']}: {row['pct']}%")
    print()

这套方案是Pandas处理多值分隔字段的标准实现，向量化的操作比iterrows遍历的效率高几十倍，适合处理Stack Overflow调查这类十万级样本量的数据集。

内容的提问来源于stack exchange，提问作者AyseAsude