Lehrplan Lektion 82 von 250 · Daten Grundlagen: numpy & pandas
Daten Grundlagen: numpy & pandas

Gruppieren und Zusammenführen

Zwei Operationen schalten die meisten Datenanalysen frei: groupby (Zeilen in Gruppen aufteilen und jede zusammenfassen) und merge (zwei Tabellen über einen gemeinsamen Schlüssel verbinden).

groupby folgt einem Split-Apply-Combine-Muster. Gruppiere nach einer Spalte, dann aggregiere:

import pandas as pd
sales = pd.DataFrame({
    "region": ["N", "S", "N", "S"],
    "amount": [100, 200, 150, 50],
})
print(sales.groupby("region")["amount"].sum())
# region
# N    250
# S    250

Verwende .agg, um mehrere Zusammenfassungen gleichzeitig zu berechnen:

print(sales.groupby("region")["amount"].agg(["sum", "mean", "count"]))

merge verbindet Tabellen, die eine gemeinsame Spalte haben. Hier haben beide Tabellen region:

info = pd.DataFrame({
    "region":  ["N", "S"],
    "manager": ["Ada", "Bo"],
})
joined = sales.merge(info, on="region")
print(joined)   # each sales row gains its region's manager

Der Standard ist ein inner join: nur Schlüssel, die in beiden Tabellen vorhanden sind, bleiben erhalten. Übergib how="left", um jede Zeile der linken Tabelle zu behalten, auch wenn es keine Übereinstimmung gibt.

Du bist dran

Zwei DataFrames sind gegeben. Zuerst gruppiere orders nach customer und summiere die total Spalte. Speichere die resultierende Series in by_customer. Zweitens, merge orders mit customers über die customer Spalte (inner join) und speichere den gemergten DataFrame in merged.

Ein Problem in dieser Lektion entdeckt? Melde es · Frage zu dieser Lektion

Diese Übung öffnet bald

Beende die vorherige Lektion, damit diese freigeschaltet wird. Der ganze Kurs ist kostenlos, kein Konto erforderlich, und du kannst diese Lektion jetzt direkt lesen.