<\/p>\n
Sie k\u00f6nnen die folgenden Methoden verwenden, um gruppenverschobene Werte in einem Pandas-DataFrame zu berechnen:<\/span><\/p>\n Methode 1: Berechnen Sie den Versatz einer Gruppe<\/strong><\/span><\/p>\n Methode 2: Berechnen Sie den Offset durch mehrere Gruppen<\/strong><\/span><\/p>\n Beachten Sie, dass der Wert der Funktion \u201eshift()\u201c<\/strong> die Anzahl der Werte angibt, f\u00fcr die die Verschiebung berechnet werden soll.<\/span><\/p>\n Die folgenden Beispiele zeigen, wie die einzelnen Methoden in der Praxis angewendet werden.<\/span><\/p>\n Nehmen wir an, wir haben den folgenden Pandas-DataFrame, der die Verk\u00e4ufe zweier Gesch\u00e4fte an aufeinanderfolgenden Tagen zeigt:<\/span><\/p>\n Wir k\u00f6nnen die folgende Syntax verwenden, um eine Offset-Spalte zu erstellen, die die Verk\u00e4ufe des Vortages f\u00fcr jedes Gesch\u00e4ft anzeigt:<\/span><\/p>\n So interpretieren Sie das Ergebnis:<\/span><\/p>\n Und so weiter.<\/span><\/p>\n Angenommen, wir haben den folgenden Pandas-DataFrame, der die Verk\u00e4ufe von Mitarbeitern zweier Gesch\u00e4fte an aufeinanderfolgenden Tagen zeigt:<\/span><\/p>\n Mit der folgenden Syntax k\u00f6nnen wir eine Offset-Spalte erstellen, die die Ums\u00e4tze des Vortages f\u00fcr jeden Mitarbeiter in jeder Filiale anzeigt:<\/span><\/p>\n In der neuen Spalte \u201elagged_sales\u201c<\/strong> werden die Ums\u00e4tze des Vortages f\u00fcr jeden Mitarbeiter in jeder Filiale angezeigt.<\/span><\/p>\n Hinweis<\/strong> : In diesem Beispiel haben wir nach zwei Spalten gruppiert, Sie k\u00f6nnen jedoch nach so vielen Spalten gruppieren, wie Sie m\u00f6chten, indem Sie in der Funktion \u201egroupby()\u201c<\/strong> so viele Variablennamen einschlie\u00dfen, wie Sie m\u00f6chten.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie andere h\u00e4ufige Aufgaben in Pandas ausf\u00fchren:<\/span><\/p>\n So l\u00f6schen Sie Spalten in Pandas<\/a> Sie k\u00f6nnen die folgenden Methoden verwenden, um gruppenverschobene Werte in einem Pandas-DataFrame zu berechnen: Methode 1: Berechnen Sie den Versatz einer Gruppe df[‚ lagged_values ‚] = df. groupby ([‚ group ‚])[‚ values ‚]. shift ( 1 ) Methode 2: Berechnen Sie den Offset durch mehrere Gruppen df[‚ lagged_values ‚] = df. groupby ([‚ group1 ‚, […]<\/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 df[' lagged_values<\/span> '] = df. groupby<\/span> ([' group<\/span> '])[' values<\/span> ']. shift<\/span> ( 1<\/span> )<\/strong><\/span><\/pre>\n df[' lagged_values<\/span> '] = df. groupby<\/span> ([' group1<\/span> ', ' group2<\/span> '])[' values<\/span> ']. shift<\/span> ( 1<\/span> )<\/strong><\/span><\/pre>\n Beispiel 1: Berechnen Sie den Offset einer Gruppe<\/strong><\/span><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd. DataFrame<\/span> ({' store<\/span> ': ['A', 'A', 'A', 'A', 'B', 'B', 'B', 'B'],\n ' sales<\/span> ': [18, 10, 14, 13, 19, 24, 25, 29]})\n#view DataFrame\n<\/span>print<\/span> (df)\n\n blind sales\n0 to 18\n1 to 10\n2 to 14\n3 to 13\n4 B 19\n5 B 24\n6 B 25\n7 B 29<\/strong><\/pre>\n #add column that displays lag of sales column by store\n<\/span>df[' lagged_sales<\/span> '] = df. groupby<\/span> ([' store<\/span> '])[' sales<\/span> ']. shift<\/span> ( 1<\/span> )\n\n#view updated DataFrame\n<\/span>print<\/span> (df)\n\n store sales lagged_sales\n0 to 18 NaN\n1 to 10 18.0\n2 A 14 10.0\n3 A 13 14.0\n4 B 19 NaN\n5 B 24 19.0\n6 B 25 24.0\n7 B 29 25.0\n<\/strong><\/pre>\n\n
Beispiel 2: Berechnen Sie den Versatz mehrerer Gruppen<\/strong><\/span><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd. DataFrame<\/span> ({' store<\/span> ': ['A', 'A', 'A', 'A', 'B', 'B', 'B', 'B'],\n ' employee<\/span> ':['O', 'O', 'R', 'R', 'O', 'O', 'R', 'R'],\n ' sales<\/span> ': [18, 10, 14, 13, 19, 24, 25, 29]})\n#view DataFrame\n<\/span>print<\/span> (df)\n\n store employee sales\n0 AO 18\n1 AO 10\n2 AR 14\n3 AR 13\n4 BO 19\n5 BO 24\n6 BR 25\n7 BR 29\n<\/strong><\/pre>\n #add column that displays lag of sales column by store and employee\n<\/span>df[' lagged_sales<\/span> '] = df. groupby<\/span> ([' store<\/span> ',' employee<\/span> '])[' sales<\/span> ']. shift<\/span> ( 1<\/span> )\n\n#view updated DataFrame\n<\/span>print<\/span> (df)\n\n store employee sales lagged_sales\n0 AO 18 NaN\n1 AO 10 18.0\n2 AR 14 NaN\n3 AR 13 14.0\n4 BO 19 NaN\n5 BO 24 19.0\n6 BR 25 NaN\n7 BR 29 25.0\n<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So schlie\u00dfen Sie Spalten in Pandas aus<\/a>
So wenden Sie eine Funktion auf ausgew\u00e4hlte Spalten in Pandas an<\/a>
So \u00e4ndern Sie die Spaltenreihenfolge in Pandas DataFrame<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"