Lernen Layouts Umgestalten | Kombinieren, Aggregieren

Swipe um das Menü anzuzeigen

Das Umformen von Daten ist oft entscheidend für eine effektive Analyse, insbesondere wenn Werte über Kategorien hinweg verglichen oder Daten für die Visualisierung vorbereitet werden sollen. In Polars können Pivot- und Melt- (Unpivot-) Operationen verwendet werden, um ein DataFrame zwischen breitem und langem Format zu transformieren. Angenommen, es gibt ein DataFrame namens games_df mit den Spalten: game_title, developer und steam_deck_status. Ziel ist es, herauszufinden, wie viele Spiele jeder Entwickler in jeder Steam Deck-Kompatibilitätskategorie hat.

Dazu kann die Tabelle gepivotet werden, sodass jede Zeile einen developer darstellt, jede Spalte einen eindeutigen steam_deck_status und die Zellen die Anzahl der Spiele anzeigen. Anschließend kann die breite Tabelle für weitere Verarbeitung oder Visualisierung wieder entpivotet (gemeltet) werden, um das lange Format zu erhalten.


              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)

War alles klar?

Danke für Ihr Feedback!

Abschnitt 2. Kapitel 5

Fragen Sie AI

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Abschnitt 2. Kapitel 5