Seskupování dat podle kategorie v pandas
Working with Categorical Data in Python
Kasey Jones
Research Data Scientist
Základy .groupby(): rozdělení dat
adult = pd.read_csv("data/adult.csv")
adult1 = adult[adult["Above/Below 50k"] == " <=50K"]
adult2 = adult[adult["Above/Below 50k"] == " >50K"]
je nahrazeno
groupby_object = adult.groupby(by=["Above/Below 50k"])
Základy .groupby(): aplikace funkce
groupby_object = adult.groupby(by=["Above/Below 50k"])
Aplikace funkce:
groupby_object.mean()
Age fnlgwt Education Num Capital Gain ...
Above/Below 50k
<=50K 36.783738 190340.86517 9.595065 148.752468 ...
>50K 44.249841 188005.00000 11.611657 4006.142456 ...
Jednořádkový zápis:
adult.groupby(by=["Above/Below 50k"]).mean()
Výběr sloupců
Možnost 1: spustí .sum() pouze na dvou sloupcích.
adult.groupby(by=["Above/Below 50k"])['Age', 'Education Num'].sum()
Age Education Num
Above/Below 50k
<=50K 909294 237190
>50K 346963 91047
Možnost 2: spustí .sum() na všech numerických sloupcích a poté provede výběr.
adult.groupby(by=["Above/Below 50k"]).sum()[['Age', 'Education Num']]
Možnost 1 je preferována – zejména při práci s velkými datovými sadami
Seskupování podle více sloupců
adult.groupby(by=["Above/Below 50k", "Marital Status"]).size()
Above/Below 50k Marital Status
<=50K Divorced 3980
Married-AF-spouse 13
Married-civ-spouse 8284
Married-spouse-absent 384
Never-married 10192
Separated 959
Widowed 908
>50K Divorced 463
Married-AF-spouse 10 <--- Only 10 records
Married-civ-spouse 6692
...
Procvičování .groupby()
Working with Categorical Data in Python
