Lära Hantering av Pivottabeller | Aggregering av Data

Python har en motsvarighet till metoden .groupby() som kan ge samma resultat. Det är upp till dig vilken funktion du vill använda. Låt oss lära oss detta genom ett exempel. Med hjälp av följande funktion, kallad .pivot_table(), kommer vi att beräkna medelvärdena för kolumnen 'Length' som har samma värde i kolumnen 'Flight':


              123456789101112131415
            
import pandas as pd

data = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/plane', index_col = 0)

# The code using .groupby()
data_flights_1 = data[['Length', 'Flight']].groupby('Flight').mean()
# The same code using .groupby()
data_flights_2 = data[['Length', 'Flight']].groupby('Flight').agg('mean')

# The same code using .pivot_table()
data_flights_3 = pd.pivot_table(data, values = 'Length',
                      index = 'Flight',
                      aggfunc = 'mean')

print(data_flights_1.head())

Förklaring:

data = pd.pivot_table(data, values = 'Length',
                      index = 'Flight',
                      aggfunc = 'mean')

pd.pivot_table() – funktion som skapar pivottabeller;
data – data frame som används;
values = 'Length' – till argumentet values tilldelas kolumner med samma grupp, för vilka vi kommer att tillämpa beräkning av medelvärde, maxvärde, etc. Om du vill gruppera efter flera kolumner, lägg dem i en lista; ordningen är inte avgörande;
index = 'Flight' – index är ett argument där du anger namnet på en kolumn eller kolumner som du vill gruppera efter. Om du vill gruppera efter flera kolumner, lägg dem i en lista; ordningen är avgörande, precis som i funktionen .groupby();
aggfunc = 'mean' – samma som agg i metoden .groupby(), har aggfunc exakt samma syntax som agg. Du kan alltså ange flera funktioner här genom att lägga dem i en lista för att specificera funktioner för olika kolumner med hjälp av klamrar.

Här är ett exempel på kod som använder .groupby()-satsen. Välj motsvarande kod som använder funktionen .pivot_table().

Select the correct answer

data_flights = pd.pivot_table(data, 
    values = ['AirportFrom', 'AirportTo'],
    index = ['Length', 'Time'],
    aggfunc = 'min'
)

data_flights = pd.pivot_table(data, 
    values = ['AirportTo', 'AirportFrom'],
    index = ['Length', 'Time'],
    aggfunc = 'mean'
)

data_flights = pd.pivot_table(data, 
    values = 'AirportTo', 'AirportFrom',
    index = ['Length', 'Time'],
    aggfunc = 'min'
)

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 4. Kapitel 5

Fråga AI

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

Suggested prompts:

Can you explain the difference between .groupby() and .pivot_table() in more detail?

What other aggregation functions can I use with .pivot_table()?

How can I group by multiple columns using .pivot_table()?

Awesome!

Completion rate improved to 3.03

Svep för att visa menyn


              123456789101112131415
            
import pandas as pd

data = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/plane', index_col = 0)

# The code using .groupby()
data_flights_1 = data[['Length', 'Flight']].groupby('Flight').mean()
# The same code using .groupby()
data_flights_2 = data[['Length', 'Flight']].groupby('Flight').agg('mean')

# The same code using .pivot_table()
data_flights_3 = pd.pivot_table(data, values = 'Length',
                      index = 'Flight',
                      aggfunc = 'mean')

print(data_flights_1.head())