Aprenda Reformatação de Layouts | Combinando, Agregando

Deslize para mostrar o menu

Reformatação dos dados frequentemente é essencial para uma análise eficaz, especialmente quando é necessário comparar valores entre categorias ou preparar os dados para visualização. No Polars, é possível utilizar as operações de pivot e melt (desfazer o pivot) para transformar um DataFrame entre os formatos wide e long. Suponha que você tenha um DataFrame chamado games_df com as colunas: game_title, developer e steam_deck_status. O objetivo é visualizar quantos jogos cada desenvolvedor possui em cada categoria de compatibilidade com o Steam Deck.

Para isso, é possível pivotar os dados de modo que cada linha represente um developer, cada coluna represente um steam_deck_status único e os valores das células mostrem a contagem de jogos. Posteriormente, pode ser interessante desfazer o pivot (melt) da tabela wide para o formato long para processamento ou visualização adicional.


              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)

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 2. Capítulo 5

Pergunte à IA

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

Seção 2. Capítulo 5