Lære Omformning af Layouts | Kombinering, Aggregering

Stryg for at vise menuen

Omstrukturering af data er ofte afgørende for effektiv analyse, især når der skal sammenlignes værdier på tværs af kategorier eller forberedes data til visualisering. I Polars kan pivot og melt (unpivot) operationer bruges til at transformere en DataFrame mellem brede og lange formater. Antag, at du har en DataFrame kaldet games_df med kolonnerne: game_title, developer og steam_deck_status. Målet er at se, hvor mange spil hver udvikler har i hver Steam Deck-kompatibilitetskategori.

Dette kan gøres ved at pivottabellere dataene, så hver række repræsenterer en developer, hver kolonne repræsenterer en unik steam_deck_status, og celleværdierne viser antallet af spil. Derefter kan det være nyttigt at unpivottabellere (melte) den brede tabel tilbage til et langt format for yderligere behandling eller visualisering.


              123456789101112131415161718192021222324252627
            
import polars as pl

# Sample data
games_df = pl.DataFrame({
    "game_title": ["Game A", "Game B", "Game C", "Game D", "Game E", "Game F"],
    "developer": ["Dev1", "Dev2", "Dev1", "Dev2", "Dev3", "Dev1"],
    "steam_deck_status": ["Verified", "Playable", "Playable", "Verified", "Unsupported", "Playable"]
})

# Pivot: count games per developer by steam_deck_status
pivoted = games_df.pivot(
    values="game_title",
    index="developer",
    columns="steam_deck_status",
    aggregate_function="count"
)
print("Pivoted (wide format):")
print(pivoted)

# Unpivot (melt): go back to long format
melted = pivoted.melt(
    id_vars="developer",
    variable_name="steam_deck_status",
    value_name="game_count"
)
print("\nUnpivoted (long format):")
print(melted)

Var alt klart?

Tak for dine kommentarer!

Sektion 2. Kapitel 5

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Sektion 2. Kapitel 5