Impara Rimodellare i layout | Combinazione, Aggregazione

Scorri per mostrare il menu

Rimodellare i dati è spesso essenziale per un'analisi efficace, soprattutto quando è necessario confrontare valori tra categorie o preparare i dati per la visualizzazione. In Polars, è possibile utilizzare le operazioni di pivot e melt (unpivot) per trasformare un DataFrame tra i formati wide e long. Supponiamo di avere un DataFrame chiamato games_df con le colonne: game_title, developer e steam_deck_status. Si desidera vedere quanti giochi ogni sviluppatore ha in ciascuna categoria di compatibilità Steam Deck.

Per fare ciò, è possibile pivotare i dati in modo che ogni riga rappresenti uno developer, ogni colonna rappresenti uno specifico steam_deck_status e i valori delle celle mostrino il conteggio dei giochi. Successivamente, potrebbe essere utile unpivotare (melt) la tabella wide per tornare a un formato long per ulteriori elaborazioni o visualizzazioni.


              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)

Tutto è chiaro?

Grazie per i tuoi commenti!

Sezione 2. Capitolo 5

Chieda ad AI

Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione

Sezione 2. Capitolo 5