<\/p>\n
Sie k\u00f6nnen die folgende grundlegende Syntax verwenden, um eine Datengruppierung f\u00fcr einen Pandas-DataFrame durchzuf\u00fchren:<\/span><\/p>\n Die folgenden Beispiele zeigen, wie diese Syntax in der Praxis mit dem folgenden Pandas DataFrame verwendet wird:<\/span><\/p>\n Der folgende Code zeigt, wie eine Datengruppierung f\u00fcr die Variable \u201epoints\u201c<\/strong> mithilfe der Funktion qcut()<\/a> mit bestimmten Bruchmarken durchgef\u00fchrt wird:<\/span><\/p>\n Beachten Sie, dass jede Zeile im Datenrahmen basierend auf dem Wert der Punktspalte in eine von drei Gruppen eingeordnet wurde.<\/span><\/p>\n Wir k\u00f6nnen die Funktion value_counts()<\/strong> verwenden, um herauszufinden, wie viele Zeilen in jedem Bin platziert wurden:<\/span><\/p>\n Wir k\u00f6nnen sehen, dass jeder Beh\u00e4lter 4 Beobachtungen enth\u00e4lt.<\/span><\/p>\n Wir k\u00f6nnen auch Daten-Clustering mithilfe spezifischer Quantile durchf\u00fchren:<\/span><\/p>\n Wir k\u00f6nnen auch eine Datengruppierung mithilfe spezifischer Quantile und Labels durchf\u00fchren:<\/span><\/p>\n Beachten Sie, dass jeder Zeile basierend auf dem Punktspaltenwert<\/strong> ein Abschnitt zugewiesen wurde und die Abschnitte mit Buchstaben beschriftet wurden.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie andere h\u00e4ufige Aufgaben in Pandas ausf\u00fchren:<\/span><\/p>\n Pandas: So verwenden Sie die Funktion value_counts()<\/a> Sie k\u00f6nnen die folgende grundlegende Syntax verwenden, um eine Datengruppierung f\u00fcr einen Pandas-DataFrame durchzuf\u00fchren: import pandas as pd #perform binning with 3 bins df[‚ new_bin ‚] = pd. qcut (df[‚ variable_name ‚], q= 3 ) Die folgenden Beispiele zeigen, wie diese Syntax in der Praxis mit dem folgenden Pandas DataFrame verwendet wird: import pandas as […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n import<\/span> pandas as<\/span> pd\n\n#perform binning with 3 bins<\/span>\ndf[' new_bin<\/span> '] = pd. qcut<\/span> (df[' variable_name<\/span> '], q= 3<\/span> )\n<\/strong><\/pre>\n import<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' points<\/span> ': [4, 4, 7, 8, 12, 13, 15, 18, 22, 23, 23, 25],\n ' assists<\/span> ': [2, 5, 4, 7, 7, 8, 5, 4, 5, 11, 13, 8],\n ' rebounds<\/span> ': [7, 7, 4, 6, 3, 8, 9, 9, 12, 11, 8, 9]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n points assists rebounds\n0 4 2 7\n1 4 5 7\n2 7 4 4\n3 8 7 6\n4 12 7 3\n5 13 8 8\n6 15 5 9\n7 18 4 9\n8 22 5 12\n9 23 11 11\n10 23 13 8\n11 25 8 9\n<\/span><\/span><\/strong><\/pre>\n Beispiel 1: Stammdatengruppierung durchf\u00fchren<\/strong><\/span><\/h3>\n
#perform data binning on variable points<\/em>\n<\/span>df[' points_bin<\/span> '] = pd. qcut<\/span> (df[' points<\/span> '], q= 3<\/span> )\n\n#view updated DataFrame\n<\/span>print<\/span> (df)\n\n points assists rebounds points_bin\n0 4 2 7 (3,999, 10,667]\n1 4 5 7 (3,999, 10,667]\n2 7 4 4 (3,999, 10,667]\n3 8 7 6 (3,999, 10,667]\n4 12 7 3 (10,667, 19,333]\n5 13 8 8 (10,667, 19,333]\n6 15 5 9 (10,667, 19,333]\n7 18 4 9 (10,667, 19,333]\n8 22 5 12 (19.333, 25.0]\n9 23 11 11 (19.333, 25.0]\n10 23 13 8 (19.333, 25.0]\n11 25 8 9 (19.333, 25.0]\n<\/span><\/span><\/strong><\/pre>\n #count frequency of each bin\n<\/span>df[' points_bin<\/span> ']. value_counts<\/span> ()\n\n(3,999, 10,667] 4\n(10.667, 19.333] 4\n(19.333, 25.0] 4\nName: points_bin, dtype: int64\n<\/span><\/span><\/strong><\/pre>\n Beispiel 2: Daten-Clustering mit bestimmten Quantilen durchf\u00fchren<\/strong><\/span><\/h3>\n
#perform data binning on variable points<\/em> with specific quantiles\n<\/span>df[' points_bin<\/span> '] = pd. qcut<\/span> (df[' points<\/span> '], q=[0, .2, .4, .6, .8, 1])\n\n#view updated DataFrame\n<\/span>print<\/span> (df)\n\n points assists rebounds points_bin\n0 4 2 7 (3.999, 7.2]\n1 4 5 7 (3.999, 7.2]\n2 7 4 4 (3.999, 7.2]\n3 8 7 6 (7.2, 12.4]\n4 12 7 3 (7.2, 12.4]\n5 13 8 8 (12.4, 16.8]\n6 15 5 9 (12.4, 16.8]\n7 18 4 9 (16.8, 22.8]\n8 22 5 12 (16.8, 22.8]\n9 23 11 11 (22.8, 25.0]\n10 23 13 8 (22.8, 25.0]\n11 25 8 9 (22.8, 25.0]\n<\/span><\/span><\/strong><\/pre>\n Beispiel 3:<\/strong><\/span> F\u00fchren Sie eine Datengruppierung mit Beschriftungen durch<\/strong><\/span><\/h3>\n
#perform data binning on points<\/em> variable with specific quantiles and labels\n<\/span>df[' points_bin<\/span> '] = pd. qcut<\/span> (df[' points<\/span> '],\n q=[0, .2, .4, .6, .8, 1],\n labels=[' A<\/span> ',' B<\/span> ',' C<\/span> ',' D<\/span> ',' E<\/span> '])\n\n#view updated DataFrame\n<\/span>print<\/span> (df)\n\n points assists rebounds points_bin\n0 4 2 7 A\n1 4 5 7 A\n2 7 4 4 A\n3 8 7 6 B\n4 12 7 3 B\n5 13 8 8 C\n6 15 5 9 C\n7 18 4 9 D\n8 22 5 12 D\n9 23 11 11 E\n10 23 13 8 E\n11 25 8 9 E\n<\/span><\/span><\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
Pandas: So erstellen Sie eine Pivot-Tabelle mit der Anzahl der Werte<\/a>
Pandas: So z\u00e4hlen Sie Vorkommen eines bestimmten Werts in einer Spalte<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"