Lära Omstrukturering av layouter | Kombinera, Aggregera

Svep för att visa menyn

Omformatering av data är ofta avgörande för effektiv analys, särskilt när du behöver jämföra värden mellan kategorier eller förbereda data för visualisering. I Polars kan du använda pivot och melt (avpivotering) för att omvandla din DataFrame mellan breda och långa format. Anta att du har en DataFrame kallad games_df med kolumnerna: game_title, developer och steam_deck_status. Du vill se hur många spel varje utvecklare har i varje Steam Deck-kompatibilitetskategori.

För att göra detta kan du pivotera datan så att varje rad representerar en developer, varje kolumn representerar en unik steam_deck_status och cellvärdena visar antalet spel. Därefter kan du vilja avpivotera (melta) den breda tabellen tillbaka till ett långt format för vidare bearbetning 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)

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 2. Kapitel 5

Fråga AI

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

Avsnitt 2. Kapitel 5