Groupby là nhóm những dữ liệu giống nhau quay lại trong Khung dữ liệu tại một cột nào đó để ta tìm ra điểm chung của dữ liệu đó, ví dụ trong ngày thứ nhất chúng ta bán được một số lượng sản phẩm, ngày thứ 2 bán được một
No. chúng ta bắt đầu thôi và đừng quên nhập thư viện và tạo khung dữ liệu nhé
import pandas as pd
# Create dataframe
data = {'Company':['GOOG','GOOG','MSFT','MSFT','FB','FB'],
'Person':['Sam','Charlie','Amy','Vanessa','Carl','Sarah'],
'Sales':[200,120,340,124,243,350]}Tạo 1 khung dữ liệu
df = pd.DataFrame[data] print[df]
đầu ra
Nhìn vào df trên ta thấy cột “công ty” có chứa các tên công ty giống nhau. Bây giờ chúng ta có thể sử dụng phương thức. groupby [] to group of rows back with nhau dựa trên tên cột công ty. Thao tác này sẽ tạo một đối tượng DataFrameGroupBy
# Tạo một đối tượng groupby df.groupby['Company']
đầu ra
Lúc này chỉ trả về cho ta một nhóm đối tượng, trích dẫn muốn xuất thông tin ta cần sử dụng nhóm đối tượng này để thao tác
by_comp = df.groupby["Company"] by_comp.mean[]# lấy giá trị trung bình của sale
đầu ra
Rifty speed
# Dùng hàm std lấy độ lệch chuẩn của Sale by_comp.std[]
đầu ra
Giá trị tối thiểu, tối đa của đối tượng
by_comp.min[] by_comp.max[]
Đầu ra tối thiểu
Đầu ra tối đa
Dem value in company
# Để đếm giá trị ta dùng hàm count[] by_comp.count[]
đầu ra
Thống kê cơ bản trong công ty đối tượng
# Để thống kê ta dùng hàm describe by_comp.describe[].transpose[]
đầu ra
________số 8
Pivot Table khá tương đồng với GroupBy bên trên là lấy dữ liệu theo cột đơn dữ liệu đầu vào và nhóm các mục trở lại, đều áp dụng nguyên lý tách-áp dụng-kết hợp giống nhau, tuy nhiên dữ liệu sẽ được phân tích và tổng hợp
cú pháp
pandas.pivot_table[data, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All', observed=False]
- dữ liệu. Khung dữ liệu
- giá trị [tùy chọn]. column to composit
- mục lục. cột, nhóm hoặc mảng. If a array has been transfer to, then must have a length with data
- cột. cột, nhóm hoặc mảng. Tương tự như chỉ số
- aggfunc. [mặc định. bần tiện]. datasumation function
- fill_value. giá trị được điền vào ô dữ liệu NA [sau khi tính toán]
- lề. [bool, mặc định. Sai]. Thêm một cột tính tất cả các giá trị của các cột còn lại theo hàm tổng hợp
- margins_name [chuỗi, mặc định. 'Tất cả các']. Tên của cột lề
- dropna. [bool, mặc định. Sai]. Bỏ đi các hàng có chứa NA
ta xem lại data frame trên nhé
GIờ ta áp dụng bảng Pivot áp dụng vào df trên nhóm các giá trị theo yêu cầu của chúng ta
Ta muôn nhóm các tên công ty lại thành cột, đưa tên nhân viên ra làm chỉ mục và giá trị là doanh số bán hàng
df = pd.DataFrame[data] print[df]0
đầu ra
Thông thường, khi xử lý các dữ liệu giống nhau, ta thường sử dụng groupby và pivot table để nhóm lại và lấy thông tin chúng ta cần
df['ngày']. đt. năm 0 2012 1 2012 2 2015 3 2015 4 2015 Tên. ngày, dtype. int64 6 Người truy cập có thuộc tính df['date']. đt. năm 0 2012 1 2012 2 2015 3 2015 4 2015 Tên. ngày, dtype. int64 3
Create data sample
Giả sử chúng ta có một cột thời gian duy nhất,
df = pd.DataFrame[data] print[df]11 và một cột khác mà chúng tôi muốn thực hiện một tập hợp trên,
df = pd.DataFrame[data] print[df]12.
df = pd.DataFrame[data] print[df]3
There a number of way to the group by year
- Sử dụng Trình truy cập DT với thuộc tính______113
- Set
df = pd.DataFrame[data] print[df]
11 vào chỉ mục và sử dụng chức năng ẩn danh để truy cập năm - Sử dụng phương pháp
df = pd.DataFrame[data] print[df]
15 - Move to the Pandas time
df['ngày']. đt. năm 0 2012 1 2012 2 2015 3 2015 4 2015 Tên. ngày, dtype. int64 6 Người truy cập có thuộc tính df['date']. đt. năm 0 2012 1 2012 2 2015 3 2015 4 2015 Tên. ngày, dtype. int64 3
Khi bạn có một cột [và không phải là một mục duy nhất] của dấu thời gian Pandas, bạn có thể truy cập nhiều thuộc tính và phương thức bổ sung hơn với người truy cập
df = pd.DataFrame[data] print[df]18. Ví dụ
df = pd.DataFrame[data] print[df]1
Chúng tôi có thể sử dụng điều này để cấu hình các nhóm của mình và tính toán một số tập hợp trên một cột cụ thể
df = pd.DataFrame[data] print[df]9
Đặt ngày trong mục và sử dụng chức năng ẩn danh để truy cập năm
Nếu bạn đặt cột ngày làm chỉ mục, nó sẽ trở thành một datetimeindex với cùng các thuộc tính và phương thức như
Trình truy cậpdf = pd.DataFrame[data] print[df]18 cung cấp các cột bình thường_______110
Thật thú vị, khi sử dụng phương thức Groupby, bạn có thể chuyển nó thành một hàm. Hàm này sẽ được thông qua chỉ mục của DataFrame. Vì vậy, chúng ta có thể nhận được kết quả tương tự từ phía trên với những điều sau đây
df = pd.DataFrame[data] print[df]11
Use method df['date']. đt. năm 0 2012 1 2012 2 2015 3 2015 4 2015 Tên. ngày, dtype. int64 5
Nếu cột ngày của bạn không nằm trong danh mục, bạn phải chỉ định cột với tham số
df = pd.DataFrame[data] print[df]91. Bạn cũng cần chỉ định bí danh bù là một chuỗi.
df = pd.DataFrame[data] print[df]13
Move to the Pandas time
df = pd.DataFrame[data] print[df]16 Người truy cập có thuộc tính_______113
df = pd.DataFrame[data] print[df]16
Khi bạn có một cột [và không phải là một mục duy nhất] của dấu thời gian Pandas, bạn có thể truy cập nhiều thuộc tính và phương thức bổ sung hơn với người truy cập
df = pd.DataFrame[data] print[df]18. Ví dụ.
df = pd.DataFrame[data] print[df]18
Chúng tôi sẽ nhóm gấu trúc DataFrame bằng Groupby []. Select column used by function Grouper. Chúng tôi sẽ nhóm một năm và tính tổng giá đăng ký trong khoảng thời gian năm cho ví dụ của chúng tôi được hiển thị dưới đây cho hồ sơ bán xe
Lúc đầu, hãy nói rằng sau đây là DataFrame của chúng tôi với ba cột -
df = pd.DataFrame[data] print[df]19
Tiếp theo, sử dụng trình nhóm cột để chọn cột DATE_OF_PURCHASE trong hàm Groupby. Tần số được đặt là 3y, tức là khoảng 3 năm được nhóm lại
Thí dụ
Sau đây là mã -
df = pd.DataFrame[data] print[df]30
đầu ra
Điều này sẽ tạo ra đầu ra sau -
df = pd.DataFrame[data] print[df]10
Cập nhật vào ngày 30 tháng 9 năm 2021 12. 58. 20
- Câu hỏi và câu trả lời liên quan
- Python - Làm thế nào để sắp xếp DataFrame nhóm theo tháng?
- Python - Làm thế nào để sắp xếp dữ liệu nhóm theo ngày?
- Python - Làm thế nào để sắp xếp DataFrame nhóm theo vài phút?
- Python - Sắp xếp các gấu trúc được nhóm dữ liệu theo kích thước nhóm?
- Python - Lệnh giảm dần sắp xếp sắp xếp cấu trúc nhóm theo kích thước nhóm?
- Python - Lệnh tăng dần sắp xếp sắp xếp dữ liệu nhóm dữ liệu theo kích thước nhóm?
- Python - Làm thế nào để nhóm các dữ liệu vào danh sách trong gấu trúc?
- Python - Pandas data filter by time
- Làm thế nào để chọn nhóm lớn nhất trong mỗi nhóm trong Python Pandas DataFrame?
- Python Pandas - SUBSET DATAFRAME theo cột tên
- Nhóm-BY và SUM trong Python Pandas
- Python - Tính toán các giá trị cuối cùng của nhóm giá trị trong khung dữ liệu gấu trúc
- Python - Tính toán giá trị nhóm đầu tiên trong một khung dữ liệu gấu trúc
- Làm thế nào để vẽ âm được tổng hợp theo ngày dữ liệu gấu trúc?
- Làm thế nào để truy cập vào một nhóm các hàng trong một khung dữ liệu cấu trúc?
Làm thế nào tôi có thể nhóm theo tháng từ một trường ngày sử dụng python pandas?
Làm thế nào để tôi có thể nhóm theo tháng từ một trường ngày sử dụng Python Pandas ?. .
Change the date column to dateTime format. ---> df ['ngày'] = pd.
Chèn một hàng mới trong khung dữ liệu có tháng như [tháng 5, 'tháng 6'] ---> df ['tháng'] = df ['date'].
Bây giờ tổng hợp dữ liệu trong cột tháng và tổng doanh thu
Chúng ta có thể sử dụng nhóm trong Python không?
Một nhóm trong Python và SQL được sử dụng để tách dữ liệu giống nhau thành các nhóm để cho phép tổng hợp và phân tích bổ sung. Một nhóm trong Python được thực hiện bằng thư viện Pandas. Chức năng Groupby[] và một nhóm trong SQL được thực hiện bằng cách sử dụng nhóm SQL theo câu lệnh