Grup de pandes s'utilitza per agrupar les dades segons les categories i aplicar una funció a les categories. També ajuda a agregar dades de manera eficient. El Pandas groupby() és una funció molt potent amb moltes variacions. Fa que la tasca de dividir el Dataframe en alguns criteris sigui realment fàcil i eficient.

Pandas dataframe.groupby()

Pandes dataframe.groupby() La funció s'utilitza per dividir les dades en grups en funció d'alguns criteris. Pandes els objectes es poden dividir en qualsevol dels seus eixos. La definició abstracta d'agrupació és proporcionar un mapeig d'etiquetes als noms dels grups.

Sintaxi: DataFrame.groupby(per=Cap, axis=0, nivell=Cap, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs)

Paràmetres:

• per: mapping, function, str o iterable
• eix: int, per defecte 0
• nivell: Si l'eix és un MultiIndex (jeràrquic), agrupa per un nivell o nivells concrets
• as_index: Per a la sortida agregada, retorneu l'objecte amb etiquetes de grup com a índex. Només rellevant per a l'entrada de DataFrame. as_index=False és efectivament una sortida agrupada a l'estil SQL
• ordenar: Ordena les claus de grup. Aconsegueix un millor rendiment desactivant-ho. Tingueu en compte que això no influeix en l'ordre de les observacions dins de cada grup. groupby conserva l'ordre de les files dins de cada grup.
• group_keys : Quan truqueu a aplicar, afegiu claus de grup per indexar per identificar peces
• apretar: Reduïu la dimensionalitat del tipus de retorn si és possible, en cas contrari retorneu un tipus coherent

Devolucions: Objecte GroupBy

Conjunt de dades utilitzat: Per obtenir un enllaç al fitxer CSV utilitzat al codi, feu clic aquí

Exemple 1: Ús agrupar per() funció per agrupar les dades en funció de l'Equip.

Python 3

què és awt

controlador web

>

>

Sortida:

 Name Team Number Position Age Height Weight College Salary 0 Avery Bradley Boston Celtics 0.0 PG 25.0 6-2 180.0 Texas 7730337.0 1 Jae Crowder Boston Celtics 99.0 SF 25.0 6-6 235.0 Marquette 6796117.0 2 John Holland Boston Celtics 30.0 SG 27.0 6-5 205.0 Boston University NaN 3 R.J. Hunter Boston Celtics 28.0 SG 22.0 6-5 185.0 Georgia State 1148640.0 4 Jonas Jerebko Boston Celtics 8.0 PF 29.0 6-10 231.0 NaN 5000000.0>

Ara aplica el agrupar per() funció.

Python 3

sense senyal d'entrada

>

>

Sortida:

 Name Number Position Age Height Weight College Salary Team  Atlanta Hawks Kent Bazemore 24.0 SF 26.0 6-5 201.0 Old Dominion 2000000.0  Boston Celtics Avery Bradley 0.0 PG 25.0 6-2 180.0 Texas 7730337.0 Brooklyn Nets Bojan Bogdanovic 44.0 SG 27.0 6-8 216.0 Oklahoma State 3425510.0 Charlotte Hornets Nicolas Batum 5.0 SG 27.0 6-8 200.0 Virginia Commonwealth 13125306.0 Chicago Bulls Cameron Bairstow 41.0 PF 25.0 6-9 250.0 New Mexico 845059.0 Cleveland Cavaliers Matthew Dellavedova 8.0 PG 25.0 6-4 198.0 Saint Mary's 1147276.0 Dallas Mavericks Justin Anderson 1.0 SG 22.0 6-6 228.0 Virginia 1449000.0 Denver Nuggets Darrell Arthur 0.0 PF 28.0 6-9 235.0 Kansas 2814000.0 Detroit Pistons Joel Anthony 50.0 C 33.0 6-9 245.0 UNLV 2500000.0 Golden State Warriors Leandro Barbosa 19.0 SG 33.0 6-3 194.0 North Carolina 2500000.0 Houston Rockets Trevor Ariza 1.0 SF 30.0 6-8 215.0 UCLA 8193030.0 Indiana Pacers Lavoy Allen 5.0 PF 27.0 6-9 255.0 Temple 4050000.0 Los Angeles Clippers Cole Aldrich 45.0 C 27.0 6-11 250.0 Kansas 1100602.0 Los Angeles Lakers Brandon Bass 2.0 PF 31.0 6-8 250.0 LSU 3000000.0 Memphis Grizzlies Jordan Adams 3.0 SG 21.0 6-5 209.0 UCLA 1404600.0 Miami Heat Chris Bosh 1.0 PF 32.0 6-11 235.0 Georgia Tech 22192730.0 Milwaukee Bucks Giannis Antetokounmpo 34.0 SF 21.0 6-11 222.0 Arizona 1953960.0>

Imprimim el valor contingut en qualsevol dels grups. Per a això utilitzeu el nom de l'equip. Utilitzem la funció get_group() per trobar les entrades contingudes en qualsevol dels grups.

Python 3

prova catch block a java

>

>

Sortida:

 Name Team Number Position Age Height Weight College Salary 0 Avery Bradley Boston Celtics 0.0 PG 25.0 6-2 180.0 Texas 7730337.0 1 Jae Crowder Boston Celtics 99.0 SF 25.0 6-6 235.0 Marquette 6796117.0 2 John Holland Boston Celtics 30.0 SG 27.0 6-5 205.0 Boston University NaN 3 R.J. Hunter Boston Celtics 28.0 SG 22.0 6-5 185.0 Georgia State 1148640.0  4 Jonas Jerebko Boston Celtics 8.0 PF 29.0 6-10 231.0 NaN 5000000.0  5 Amir Johnson Boston Celtics 90.0 PF 29.0 6-9 240.0 NaN 12000000.0  6 Jordan Mickey Boston Celtics 55.0 PF 21.0 6-8 235.0 LSU 1170960.0  7 Kelly Olynyk Boston Celtics 41.0 C 25.0 7-0 238.0 Gonzaga 2165160.0  8 Terry Rozier Boston Celtics 12.0 PG 22.0 6-2 190.0 Louisville 1824360.0  9 Marcus Smart Boston Celtics 36.0 PG 22.0 6-4 220.0 Oklahoma State 3431040.0  10 Jared Sullinger Boston Celtics 7.0 C 24.0 6-9 260.0 Ohio State 2569260.0 11 Isaiah Thomas Boston Celtics 4.0 PG 27.0 5-9 185.0 Washington 6912869.0  12 Evan Turner Boston Celtics 11.0 SG 27.0 6-7 220.0 Ohio State 3425510.0 13 James Young Boston Celtics 13.0 SG 20.0 6-6 215.0 Kentucky 1749840.0  14 Tyler Zeller Boston Celtics 44.0 C 26.0 7-0 253.0 North Carolina 2616975.0>

Exemple 2: Ús agrupar per() funció per formar grups basats en més d'una categoria (és a dir, utilitzar més d'una columna per dur a terme la divisió).

prims algorithm

Python 3

>

>

Sortida:

 Name Number Age Height Weight College Salary Team Position  Atlanta Hawks C Al Horford 15.0 30.0 6-10 245.0 Florida 12000000.0   PF Kris Humphries 43.0 31.0 6-9 235.0 Minnesota 1000000.0   PG Dennis Schroder 17.0 22.0 6-1 172.0 Wake Forest 1763400.0   SF Kent Bazemore 24.0 26.0 6-5 201.0 Old Dominion 2000000.0   SG Tim Hardaway Jr. 10.0 24.0 6-6 205.0 Michigan 1304520.0  ... ... ... ... ... ... ... ... Washington Wizards C Marcin Gortat 13.0 32.0 6-11 240.0 North Carolina State 11217391.0   PF Drew Gooden 90.0 34.0 6-10 250.0 Kansas 3300000.0   PG Ramon Sessions 7.0 30.0 6-3 190.0 Nevada 2170465.0   SF Jared Dudley 1.0 30.0 6-7 225.0 Boston College 4375000.0   SG Alan Anderson 6.0 33.0 6-6 220.0 Michigan State 4000000.0>