<\/p>\n
Sie k\u00f6nnen die folgende grundlegende Syntax verwenden, um ein Groupby mit mehreren Aggregationen in Pandas zu verwenden:<\/span><\/p>\n Diese spezielle Formel gruppiert die Zeilen des DataFrame nach der Variablen \u201e team<\/b> \u201c und berechnet dann mehrere zusammenfassende Statistiken f\u00fcr die Variable \u201e points\u201c<\/strong> .<\/span><\/p>\n Das folgende Beispiel zeigt, wie diese Syntax in der Praxis verwendet wird.<\/span><\/p>\n Angenommen, wir haben den folgenden Pandas-DataFrame, der Informationen \u00fcber verschiedene Basketballspieler enth\u00e4lt:<\/span><\/p>\n Wir k\u00f6nnen die folgende Syntax verwenden, um die Zeilen des DataFrame nach Team<\/strong> zu gruppieren und dann den Durchschnitt, die Summe und die Standardabweichung der Punkte<\/strong> f\u00fcr jedes Team zu berechnen:<\/span><\/p>\n Das Ergebnis zeigt den Mittelwert, die Summe und die Standardabweichung der Punktevariablen<\/strong> f\u00fcr jedes Team<\/strong> an.<\/span><\/p>\n Sie k\u00f6nnen eine \u00e4hnliche Syntax verwenden, um eine Gruppierung durchzuf\u00fchren und so viele Aggregationen zu berechnen, wie Sie m\u00f6chten.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie andere h\u00e4ufige Panda-Aufgaben ausf\u00fchren:<\/span><\/p>\n So z\u00e4hlen Sie eindeutige Werte mit Pandas GroupBy<\/a> Sie k\u00f6nnen die folgende grundlegende Syntax verwenden, um ein Groupby mit mehreren Aggregationen in Pandas zu verwenden: df. groupby (‚ team ‚). agg ( mean_points=(‚ points ‚, np. mean ), sum_points=(‚ points ‚, np. sum ), std_points=(‚ points ‚, np. std )) Diese spezielle Formel gruppiert die Zeilen des DataFrame nach der Variablen \u201e team […]<\/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. groupby<\/span> (' team<\/span> '). agg<\/span> (\n mean_points=(' points<\/span> ', np. mean<\/span> ),\n sum_points=(' points<\/span> ', np. sum<\/span> ),\n std_points=(' points<\/span> ', np. std<\/span> ))\n<\/strong><\/pre>\n Beispiel: Verwendung von Groupby mit mehreren Aggregationen in Pandas<\/strong><\/span><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n<\/strong>#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' team<\/span> ': ['Mavs', 'Mavs', 'Mavs', 'Heat', 'Heat', 'Heat'],\n ' points<\/span> ': [18, 22, 19, 14, 14, 11],\n ' assists<\/span> ': [5, 7, 7, 9, 12, 9]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n team points assists\n0 Mavs 18 5\n1 Mavs 22 7\n2 Mavs 19 7\n3 Heat 14 9\n4 Heat 14 12\n5 Heat 11 9\n<\/strong><\/pre>\n import<\/span> numpy as<\/span> np\n\n#group by team and calculate mean, sum, and standard deviation of points\n<\/span><\/strong>df. groupby<\/span> (' team<\/span> '). agg<\/span> (\n mean_points=(' points<\/span> ', np. mean<\/span> ),\n sum_points=(' points<\/span> ', np. sum<\/span> ),\n std_points=(' points<\/span> ', np. std<\/span> ))\n\n mean_points sum_points std_points\nteam\t\t\t\nHeat 13.000000 39 1.732051\nMavs 19.666667 59 2.081666<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So wenden Sie eine Funktion auf Pandas Groupby an<\/a>
So erstellen Sie ein Balkendiagramm aus Pandas GroupBy<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"