Lære Omforming av Oppsett | Kombinering, aggregering

Sveip for å vise menyen

Omforming av data er ofte avgjørende for effektiv analyse, spesielt når du trenger å sammenligne verdier på tvers av kategorier eller forberede dataene dine for visualisering. I Polars kan du bruke pivot og melt (unpivoter) operasjoner for å transformere en DataFrame mellom bredt og langt format. Anta at du har en DataFrame kalt games_df med kolonnene: game_title, developer og steam_deck_status. Du ønsker å se hvor mange spill hver utvikler har i hver Steam Deck-kompatibilitetskategori.

For å gjøre dette kan du pivoter dataene slik at hver rad representerer en developer, hver kolonne representerer en unik steam_deck_status, og celleverdiene viser antall spill. Deretter kan du ønske å unpivoter (melte) den brede tabellen tilbake til et langt format for videre behandling eller visualisering.


              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)

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 2. Kapittel 5

Spør AI

Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår

Seksjon 2. Kapittel 5