Skupina pandy sa používa na zoskupovanie údajov podľa kategórií a aplikovanie funkcie na kategórie. Pomáha tiež efektívne agregovať údaje. Pandas groupby() je veľmi výkonná funkcia s množstvom variácií. Vďaka tomu je úloha rozdeliť dátový rámec podľa niektorých kritérií skutočne jednoduchá a efektívna.

Pandas dataframe.groupby()

pandy dataframe.groupby() funkcia sa používa na rozdelenie údajov do skupín na základe určitých kritérií. pandy objekty môžu byť rozdelené na ktorejkoľvek zo svojich osí. Abstraktná definícia zoskupovania je poskytnúť mapovanie štítkov na názvy skupín.

Syntax: DataFrame.groupby(by=Žiadne, os=0, úroveň=Žiadne, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs)

algoritmus pre bfs

parametre:

• od : mapovanie, funkcia, str alebo iterovateľné
• os: int, predvolená hodnota 0
• úroveň: Ak je os MultiIndex (hierarchická), zoskupte ju podľa konkrétnej úrovne alebo úrovní
• as_index : Pre agregovaný výstup vráťte objekt s menovkami skupín ako index. Relevantné len pre vstup DataFrame. as_index=False je efektívne zoskupený výstup v štýle SQL
• triediť: Usporiadať skupinové kľúče. Vypnutím získate lepší výkon. Upozorňujeme, že to neovplyvňuje poradie pozorovaní v rámci každej skupiny. groupby zachováva poradie riadkov v rámci každej skupiny.
• group_keys : Pri volaní Apply pridajte skupinové kľúče do indexu na identifikáciu kusov
• stlačiť: Ak je to možné, znížte rozmer návratového typu, inak vráťte konzistentný typ

Návraty: Zoskupiť podľa objektu

Použitý súbor údajov: Kliknutím zobrazíte odkaz na súbor CSV použitý v kóde tu

Príklad 1: Použite groupby() funkcia na zoskupenie údajov podľa tímu.

Python3

>

>

Výkon:

 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>

Teraz použite groupby() funkciu.

Python3

>

>

Výkon :

 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>

Vytlačíme hodnotu obsiahnutú v ktorejkoľvek zo skupín. Na to použite názov tímu. Používame funkciu get_group() nájsť položky obsiahnuté v ktorejkoľvek zo skupín.

abstrakcia v jave

Python3

>

>

Výkon :

 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>

Príklad 2: Použite groupby() vytvoriť skupiny na základe viac ako jednej kategórie (t. j. použiť viac ako jeden stĺpec na vykonanie rozdelenia).

Python3

podreťazec reťazec java

>

>

Výkon :

 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>