Panda ryhmäby käytetään tietojen ryhmittelyyn luokkien mukaan ja funktion soveltamiseen luokkiin. Se auttaa myös keräämään tietoja tehokkaasti. Pandas groupby() on erittäin tehokas funktio, jossa on paljon muunnelmia. Se tekee tietokehyksen jakamisesta joidenkin kriteerien mukaan todella helppoa ja tehokasta.

Pandas dataframe.groupby()

Pandat dataframe.groupby() -toimintoa käytetään tietojen jakamiseen ryhmiin joidenkin kriteerien perusteella. Pandat esineitä voidaan jakaa mille tahansa akselilleen. Ryhmittelyn abstrakti määritelmä on tarrojen yhdistäminen ryhmien nimiin.

Syntaksi: DataFrame.groupby(by=ei mitään, akseli=0, taso=ei mitään, as_index=tosi, sort=tosi, group_keys=tosi, squeeze=epätosi, **kwargs)

Parametrit:

• kirjoittaja: kartoitus, funktio, str tai iteroitava
• akseli: int, oletusarvo 0
• taso : Jos akseli on MultiIndex (hierarkkinen), ryhmittele tietyn tason tai tasojen mukaan
• as_index : Palauta koostetulosteen objekti ryhmätunnisteilla indeksinä. Koskee vain DataFrame-tuloa. as_index=False on käytännössä SQL-tyylinen ryhmitelty tulos
• lajitella: Lajittele ryhmän avaimet. Paranna suorituskykyä poistamalla tämä käytöstä. Huomaa, että tämä ei vaikuta havaintojen järjestykseen kunkin ryhmän sisällä. groupby säilyttää rivien järjestyksen kunkin ryhmän sisällä.
• group_keys: Kun soitat sovellukselle, lisää hakemistoon ryhmäavaimet kappaleiden tunnistamiseksi
• puristaa: Vähennä palautustyypin ulottuvuutta, jos mahdollista, muussa tapauksessa palauta johdonmukainen tyyppi

Palautukset: GroupBy-objektin mukaan

Käytetty tietojoukko: Jos haluat linkin koodissa käytettyyn CSV-tiedostoon, napsauta tässä

Esimerkki 1: Käyttää groupby() toiminto ryhmitellä tiedot joukkueen perusteella.

Python 3

kuinka kutsua metodia javassa

satunnaisluku c-koodi

>

>

Lähtö:

 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>

Käytä nyt groupby() toiminto.

Python 3

keskiarvo vs keskiarvo

>

>

Lähtö:

 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>

Tulostetaan minkä tahansa ryhmän sisältämä arvo. Käytä tätä varten joukkueen nimeä. Käytämme toimintoa get_group() löytääksesi minkä tahansa ryhmän merkinnät.

Python 3

java abstrakti luokka

>

>

Lähtö:

 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>

Esimerkki 2: Käyttää groupby() -toiminto muodostaa ryhmiä useamman kuin yhden luokan perusteella (eli käytä useampaa kuin yhtä saraketta jakamiseen).

Python 3

minimax-algoritmi

>

>

Lähtö:

 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>