Apprendre Gestion des Tableaux Croisés Dynamiques

Python possède un analogue de la méthode .groupby() qui peut aboutir au même résultat. Le choix de la fonction à utiliser vous appartient. Apprenons à l'utiliser à travers un exemple. À l'aide de la fonction suivante, appelée .pivot_table(), nous allons calculer les valeurs moyennes de la colonne 'Length' ayant la même valeur dans la colonne '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())

Explication :

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

pd.pivot_table() : fonction qui crée des tableaux croisés dynamiques ;
data : DataFrame utilisé ;
values = 'Length' : à l'argument values, on attribue les colonnes ayant le même groupe, pour lesquelles on appliquera le calcul de la moyenne, du maximum, etc. Si vous souhaitez regrouper par plusieurs colonnes, placez-les dans une liste ; l'ordre n'est pas important ;
index = 'Flight' : index est un argument auquel vous attribuez le nom d'une colonne ou de colonnes à regrouper. Si vous souhaitez regrouper par plusieurs colonnes, placez-les dans une liste ; l'ordre est important, comme dans la fonction .groupby() ;
aggfunc = 'mean' : identique à agg dans la méthode .groupby(), aggfunc possède exactement la même syntaxe que agg. Ainsi, vous pouvez placer plusieurs fonctions ici en les mettant dans une liste pour spécifier des fonctions différentes pour différentes colonnes à l'aide d'accolades.

Voici un exemple de code utilisant l’instruction .groupby(). Veuillez choisir l’analogue utilisant la fonction .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'
)

Tout était clair ?

Merci pour vos commentaires !

Section 4. Chapitre 5

Demandez à l'IA

Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion

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

Glissez pour afficher le menu


              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())