Lære Håndtering af Pivottabeller

Python har en analog til .groupby()-metoden, som kan føre til det samme resultat. Det er op til dig, hvilken funktion du vil bruge. Lad os lære det ved hjælp af et eksempel. Ved at bruge følgende funktion, kaldet .pivot_table(), vil vi beregne gennemsnitsværdierne for kolonnen 'Length', som har samme værdi i kolonnen 'Flight':


              123456789101112131415
            
import 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)

# The code using .groupby()
data_flights_1 = data[['Length', 'Flight']].groupby('Flight').mean()
# The same code using .groupby()
data_flights_2 = data[['Length', 'Flight']].groupby('Flight').agg('mean')

# The same code using .pivot_table()
data_flights_3 = pd.pivot_table(data, values = 'Length',
                      index = 'Flight',
                      aggfunc = 'mean')

print(data_flights_1.head())

Forklaring:

data = pd.pivot_table(data, values = 'Length',
                      index = 'Flight',
                      aggfunc = 'mean')

pd.pivot_table() - funktion, der opretter pivottabeller;
data - data frame, som vi bruger;
values = 'Length' - til argumentet values tildeles kolonner med samme gruppe, hvorpå vi vil anvende beregning af gennemsnit, maksimum osv. Hvis du vil gruppere efter flere kolonner, skal de angives i en liste; rækkefølgen er ikke afgørende;
index = 'Flight' - index er et argument, hvor du angiver navnet på en kolonne eller kolonner, som du vil gruppere efter. Hvis du vil gruppere efter flere kolonner, skal de angives i en liste; rækkefølgen er afgørende, ligesom i .groupby()-funktionen;
aggfunc = 'mean' - det samme som agg i .groupby()-metoden, aggfunc har nøjagtig samme syntaks som agg. Du kan derfor angive flere funktioner her ved at placere dem i en liste for at specificere funktioner for forskellige kolonner ved hjælp af krøllede parenteser.

Her er et eksempel på kode, der anvender .groupby()-udtrykket. Vælg venligst det tilsvarende eksempel, der bruger funktionen .pivot_table().

Select the correct answer

data_flights = pd.pivot_table(data, 
    values = ['AirportFrom', 'AirportTo'],
    index = ['Length', 'Time'],
    aggfunc = 'min'
)

data_flights = pd.pivot_table(data, 
    values = ['AirportTo', 'AirportFrom'],
    index = ['Length', 'Time'],
    aggfunc = 'mean'
)

data_flights = pd.pivot_table(data, 
    values = 'AirportTo', 'AirportFrom',
    index = ['Length', 'Time'],
    aggfunc = 'min'
)

Var alt klart?

Tak for dine kommentarer!

Sektion 4. Kapitel 5

Spørg AI

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

Suggested prompts:

Can you explain the difference between .groupby() and .pivot_table() in more detail?

What other aggregation functions can I use with .pivot_table()?

How can I group by multiple columns using .pivot_table()?

Awesome!

Completion rate improved to 3.03

Stryg for at vise menuen


              123456789101112131415
            
import 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)

# The code using .groupby()
data_flights_1 = data[['Length', 'Flight']].groupby('Flight').mean()
# The same code using .groupby()
data_flights_2 = data[['Length', 'Flight']].groupby('Flight').agg('mean')

# The same code using .pivot_table()
data_flights_3 = pd.pivot_table(data, values = 'Length',
                      index = 'Flight',
                      aggfunc = 'mean')

print(data_flights_1.head())