Pande po skupinah se uporablja za združevanje podatkov glede na kategorije in uporabo funkcije za kategorije. Pomaga tudi pri učinkovitem združevanju podatkov. Pandas groupby() je zelo močna funkcija z veliko različicami. Zaradi tega je naloga razdelitve podatkovnega okvira po nekaterih kriterijih zelo enostavna in učinkovita.

Pandas dataframe.groupby()

Pande dataframe.groupby() funkcija se uporablja za razdelitev podatkov v skupine na podlagi nekaterih kriterijev. Pande predmete je mogoče razdeliti na katero koli od njihovih osi. Abstraktna definicija združevanja je zagotoviti preslikavo oznak v imena skupin.

Sintaksa: DataFrame.groupby(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs)

Parametri:

• avtor: preslikava, funkcija, str ali iterable
• os: int, privzeto 0
• raven: Če je os MultiIndex (hierarhična), združite po določeni ravni ali ravneh
• as_index: Za združeni izhod vrnite objekt z oznakami skupine kot indeks. Ustrezno samo za vnos DataFrame. as_index=False je dejansko združen izhod v slogu SQL
• razvrsti: Razvrsti skupinske ključe. Zagotovite si večjo učinkovitost tako, da to izklopite. Upoštevajte, da to ne vpliva na vrstni red opazovanj v vsaki skupini. groupby ohrani vrstni red vrstic znotraj vsake skupine.
• skupinski_ključi: Ko pokličete aplikacijo, dodajte skupinske ključe v indeks, da prepoznate dele
• stisniti: Zmanjšajte dimenzionalnost vrnjenega tipa, če je mogoče, sicer vrnite konsistenten tip

Vrnitve: Objekt GroupBy

Uporabljen nabor podatkov: Za povezavo do datoteke CSV, uporabljene v kodi, kliknite tukaj

Primer 1: Uporaba groupby() funkcijo za združevanje podatkov na podlagi ekipe.

Python3

instancirana java

spanje za javascript

>

>

Izhod:

 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>

Zdaj uporabite groupby() funkcijo.

Python3

>

kruskalov algoritem

>

Izhod:

 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>

Natisnimo vrednost, ki jo vsebuje katera koli skupina. Za to uporabite ime ekipe. Uporabljamo funkcijo get_group() za iskanje vnosov v kateri koli skupini.

Python3

>

vrstni red po naključnem sql

>

Izhod:

 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>

Primer 2: Uporaba groupby() funkcijo za oblikovanje skupin na podlagi več kot ene kategorije (tj. uporabite več kot en stolpec za izvedbo razdelitve).

Python3

npr. uporabniško ime

>

>

Izhod:

 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>