Bliv Fortrolig Med .groupby()-Metoden
Det glæder mig at se dig i dette afsnit. Her vil vi gruppere vores data for at finde information om forskellige grupper af rækker. Undersøg datasættet om forsinkelser (du kan rulle denne tabel vandret):
Gruppering af data er fordelagtigt, og nu vil vi gå mere i dybden med det. Forestil dig, at du ønsker at beregne antallet af forsinkelser for hvert flynummer. Se på kodeeksemplet og derefter på forklaringen:
1234import pandas as pd data = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/plane', index_col = 0) data_flights = data[['Flight', 'Delay']].groupby('Flight').sum() print(data_flights.head())
Forklaring:
data[['Flight', 'Delay']].groupby('Flight').sum()
data[['Flight', 'Delay']]– Disse er de kolonner, der arbejdes med, inklusive de kolonner, der grupperes efter;groupby('Flight')– Kolonnen'Flight'er argumentet til.groupby()-funktionen. Dette betyder, at rækker med samme værdi i'Flight'-kolonnen grupperes sammen;.sum()– Denne funktion opererer på rækkerne inden for hver gruppe oprettet af.groupby(). I dette tilfælde summeres værdierne i'Delay'-kolonnen for rækker, der tilhører samme'Flight'-gruppe.
Da kolonnen 'Delay' kun indeholder 0 (ingen forsinkelse) eller 1 (en forsinkelse) som mulige værdier, repræsenterer summen af rækkerne antallet af forsinkelser for hver flyvning.
Faktisk er .sum() blot én af mange aggregeringsfunktioner, der kan anvendes. Du vil blive fortrolig med dem alle, efterhånden som du fortsætter.
Tak for dine kommentarer!
Spørg AI
Spørg AI
Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat
Can you explain how to use other aggregation functions like mean or median?
What does the output look like when grouping by a different column?
Can you show an example of grouping by multiple columns?
Awesome!
Completion rate improved to 3.03Bliv Fortrolig Med .groupby()-Metoden
Stryg for at vise menuen
Det glæder mig at se dig i dette afsnit. Her vil vi gruppere vores data for at finde information om forskellige grupper af rækker. Undersøg datasættet om forsinkelser (du kan rulle denne tabel vandret):
Gruppering af data er fordelagtigt, og nu vil vi gå mere i dybden med det. Forestil dig, at du ønsker at beregne antallet af forsinkelser for hvert flynummer. Se på kodeeksemplet og derefter på forklaringen:
1234import pandas as pd data = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/plane', index_col = 0) data_flights = data[['Flight', 'Delay']].groupby('Flight').sum() print(data_flights.head())
Forklaring:
data[['Flight', 'Delay']].groupby('Flight').sum()
data[['Flight', 'Delay']]– Disse er de kolonner, der arbejdes med, inklusive de kolonner, der grupperes efter;groupby('Flight')– Kolonnen'Flight'er argumentet til.groupby()-funktionen. Dette betyder, at rækker med samme værdi i'Flight'-kolonnen grupperes sammen;.sum()– Denne funktion opererer på rækkerne inden for hver gruppe oprettet af.groupby(). I dette tilfælde summeres værdierne i'Delay'-kolonnen for rækker, der tilhører samme'Flight'-gruppe.
Da kolonnen 'Delay' kun indeholder 0 (ingen forsinkelse) eller 1 (en forsinkelse) som mulige værdier, repræsenterer summen af rækkerne antallet af forsinkelser for hver flyvning.
Faktisk er .sum() blot én af mange aggregeringsfunktioner, der kan anvendes. Du vil blive fortrolig med dem alle, efterhånden som du fortsætter.
Tak for dine kommentarer!
