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 250Verwende .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 managerDer 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.
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.
Dieser Browser blockiert Cookies für learn.floati.life, daher können hier beendigte Lektionen nicht in der richtigen Reihenfolge geöffnet werden. Erlaube Cookies für diese Seite und lade sie neu.