Impara Gestione delle Tabelle Pivot | Aggregazione Dei Dati

Python dispone di un analogo del metodo .groupby() che può portare allo stesso risultato. La scelta della funzione da utilizzare spetta a te. Approfondiamo questo aspetto tramite un esempio. Utilizzando la seguente funzione, chiamata .pivot_table(), calcoleremo i valori medi della colonna 'Length' che presentano lo stesso valore nella colonna '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())

Spiegazione:

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

pd.pivot_table() - funzione che crea tabelle pivot;
data - data frame utilizzato;
values = 'Length' - all'argomento values si assegnano le colonne con lo stesso gruppo, sulle quali verrà applicato il calcolo della media, massimo, ecc. Se si desidera raggruppare per più colonne, inserirle in una lista; l'ordine non è rilevante;
index = 'Flight' - index è un argomento a cui si assegna il nome di una colonna o di colonne su cui effettuare il raggruppamento. Se si desidera raggruppare per più colonne, inserirle in una lista; l'ordine è rilevante, come nella funzione .groupby();
aggfunc = 'mean' - come per agg nel metodo .groupby(), aggfunc ha esattamente la stessa sintassi di agg. È quindi possibile inserire più funzioni, elencandole in una lista, per specificare funzioni diverse per colonne differenti utilizzando le parentesi graffe.

Qui è presentato un esempio di codice che utilizza l'istruzione .groupby(). Selezionare l'analogo che utilizza la funzione .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'
)

Tutto è chiaro?

Grazie per i tuoi commenti!

Sezione 4. Capitolo 5

Chieda ad AI

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

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

Scorri per mostrare il 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())