Wie kann ich Pandas verwenden, um Daten von Spalten zu Spalten zu implementieren?

Implementieren Sie effizient Datenspalten-zu-Statistik mit Pandas

In der Datenanalyse sind häufig eine flexible Reorganisation und statistische Analyse der Daten erforderlich. Konvertieren Sie beispielsweise einen Datensatz mit Daten und Typen in eine statistische Tabelle verschiedener Arten von Zählungen pro Tag. Dieser Artikel zeigt, wie die Pandas -Bibliothek verwendet wird, um dies effizient zu tun.

Angenommen, wir haben einen Datenrahmen (Datenrahmen), der zwei Spalten von "Datum" (Datum) und "Typ" (Typ) enthält, und das Datenbeispiel lautet wie folgt:

 <code>date type 2024-01-01 1 2024-01-01 2 2024-01-01 1 2024-01-02 3 2024-01-02 2 2024-01-02 3 2024-01-02 1 2024-01-02 1 2024-01-03 1 2024-01-03 4 2024-01-03 2 2024-01-03 5 ...</code>

Ziel ist es, die Daten in das folgende Format umzuwandeln und die Anzahl der einzelnen Typen an jedem Tag anzuzeigen:

 <code>date type1 type2 type3 type4 type5 2024-01-01 2 1 0 0 0 2024-01-02 2 1 2 0 0 2024-01-03 1 1 0 1 1 ...</code>

Wir können Pandas ' pd.get_dummies() und groupby() -Funktionen verwenden, um dies zu erreichen. Hier ist der Python -Code:

 Pandas als PD importieren

# Beispieldaten = {
    'Date': ['2024-01-01', '2024-01-01', '2024-01-01', '2024-01-02', '2024-01-02', '2024-01-02', '2024-01-02', '2024-01-02', '2024-01-02', '2024-02' '2024-01-03', '2024-01-03', '2024-01-03'],
    'Typ': [1, 2, 1, 3, 2, 3, 1, 1, 1, 4, 2, 5]
}

df = pd.dataframe (Daten)

# Verwenden Sie Get_Dummies () für eine HOT-Codierung df_encoded = pd.get_dummies (df, columns = ['type'], prefix = 'type'))

# Verwenden GroupBy () und sum () für Gruppenstatistikergebnisse = df_encoded.groupBy ('Datum'). Sum ().

# Druckergebnis Druck (df_encoded)
print ("-" * 60)
Druck (Ergebnis)

Der Code verwendet zuerst pd.get_dummies() , um die Spalte 'Typ' in eine Dummy -Variable zu konvertieren, und dann groupby('date').sum()

Das Ausgangsergebnis ähnelt:

<code> date type_1 type_2 type_3 type_4 type_5 0 2024-01-01 1 0 0 0 0 1 2024-01-01 0 1 0 0 0 2 2024-01-01 1 0 0 0 0 3 2024-01-02 0 0 1 0 0 4 2024-01-02 0 1 0 0 0 5 2024-01-02 0 0 1 0 0 6 2024-01-02 1 0 0 0 0 7 2024-01-02 1 0 0 0 0 8 2024-01-03 1 0 0 0 0 9 2024-01-03 0 0 0 1 0 10 2024-01-03 0 1 0 0 0 11 2024-01-03 0 0 0 0 1 ------------------------------------------------------------ type_1 type_2 type_3 type_4 type_5 date 2024-01-01 2 1 0 0 0 2024-01-02 2 1 2 0 0 2024-01-03 1 1 0 1 1</code>

Durch diesen präzisen Code können wir die Pandas -Datenspalten -Konvertierungsstatistiken problemlos vervollständigen, um die Effizienz der Datenanalyse zu verbessern.

Das obige ist der detaillierte Inhalt vonWie kann ich Pandas verwenden, um Daten von Spalten zu Spalten zu implementieren?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!