Leer Lay-outs Herschikken | Combining, Aggregating

Veeg om het menu te tonen

Het herschikken van je data is vaak essentieel voor een effectieve analyse, vooral wanneer je waarden over categorieën wilt vergelijken of je data wilt voorbereiden voor visualisatie. In Polars kun je pivot- en melt- (unpivot) bewerkingen gebruiken om je DataFrame te transformeren tussen brede en lange formaten. Stel dat je een DataFrame hebt genaamd games_df met de kolommen: game_title, developer en steam_deck_status. Je wilt zien hoeveel games elke ontwikkelaar heeft in elke Steam Deck-compatibiliteitscategorie.

Hiervoor kun je de data pivoteren zodat elke rij een developer voorstelt, elke kolom een unieke steam_deck_status weergeeft en de celwaarden het aantal games tonen. Daarna wil je mogelijk de brede tabel weer unpivoten (melt) naar een lang formaat voor verdere verwerking of visualisatie.


              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)

Was alles duidelijk?

Bedankt voor je feedback!

Sectie 2. Hoofdstuk 5

Vraag AI

Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.

Sectie 2. Hoofdstuk 5