Gruparea datelor pe categorii în pandas
Lucrul cu date categoriale în Python
Kasey Jones
Research Data Scientist
Bazele .groupby(): divizarea datelor
adult = pd.read_csv("data/adult.csv")
adult1 = adult[adult["Above/Below 50k"] == " <=50K"]
adult2 = adult[adult["Above/Below 50k"] == " >50K"]
este înlocuit de
groupby_object = adult.groupby(by=["Above/Below 50k"])
Bazele .groupby(): aplicarea unei funcții
groupby_object = adult.groupby(by=["Above/Below 50k"])
Aplicarea unei funcții:
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 ...
Formă compactă:
adult.groupby(by=["Above/Below 50k"]).mean()
Specificarea coloanelor
Opțiunea 1: rulează .sum() doar pe două coloane.
adult.groupby(by=["Above/Below 50k"])['Age', 'Education Num'].sum()
Age Education Num
Above/Below 50k
<=50K 909294 237190
>50K 346963 91047
Opțiunea 2: rulează .sum() pe toate coloanele numerice, apoi filtrează.
adult.groupby(by=["Above/Below 50k"]).sum()[['Age', 'Education Num']]
Opțiunea 1 este preferată – mai ales pentru seturi de date mari
Grupare după mai multe coloane
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
...
Exersați utilizarea .groupby()
Lucrul cu date categoriale în Python
