学ぶレイアウトの再構成

メニューを表示するにはスワイプしてください

データの形状を変換することは、特にカテゴリごとの値を比較したり、データを可視化のために準備したりする際に、効果的な分析のために不可欠です。Polars では、pivot および melt（アンピボット）操作を使用して、DataFrame をワイド形式とロング形式の間で変換できます。たとえば、games_df という DataFrame があり、game_title、developer、steam_deck_status というカラムがあるとします。各開発者が Steam Deck の互換性カテゴリごとにいくつのゲームを持っているかを確認したい場合があります。

このためには、データを pivot して、各行が developer、各列がユニークな steam_deck_status を表し、セルの値がゲーム数を示すようにします。その後、さらに処理や可視化のためにワイドテーブルを再びロング形式に unpivot（melt）することもできます。


              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)

すべて明確でしたか？

フィードバックありがとうございます！

セクション 2. 章 5

AIに質問する

何でも質問するか、提案された質問の1つを試してチャットを始めてください

セクション 2. 章 5