<\/p>\n
Sie k\u00f6nnen die folgende grundlegende Syntax verwenden, um die Funktion \u201egroupby()\u201c<\/strong> mit der Funktion \u201ediff()\u201c<\/strong> in Pandas zu verwenden:<\/span><\/p>\n In diesem speziellen Beispiel werden die Zeilen des DataFrame nach zwei spezifischen Variablen sortiert, dann nach \u201egroup_var1\u201c<\/strong> gruppiert und die Differenz zwischen den Zeilen in der Spalte \u201evalues_var\u201c<\/strong> berechnet.<\/span><\/p>\n Beachten Sie, dass fillna(0)<\/strong> Pandas anweist, immer dann eine Null einzuf\u00fcgen, wenn sich der Wert der Gruppenvariablen zwischen aufeinanderfolgenden Zeilen im DataFrame \u00e4ndert.<\/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 die Gesamtverk\u00e4ufe zweier verschiedener Gesch\u00e4fte zu unterschiedlichen Daten enth\u00e4lt:<\/span><\/p>\n Nehmen wir nun an, wir m\u00f6chten eine neue Spalte namens sales_diff<\/strong> erstellen, die die Differenz der Verkaufswerte zwischen aufeinanderfolgenden Daten enth\u00e4lt, gruppiert nach Filiale.<\/span><\/p>\n Wir k\u00f6nnen dazu die folgende Syntax verwenden:<\/span><\/p>\n Die neue Spalte \u201esales_diff\u201c<\/strong> enth\u00e4lt die Differenz der Verkaufswerte zwischen aufeinanderfolgenden Daten, gruppiert nach Filiale.<\/span><\/p>\n Wir k\u00f6nnen zum Beispiel sehen:<\/span><\/p>\n Und so weiter.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie andere g\u00e4ngige Vorg\u00e4nge in Pandas ausgef\u00fchrt werden:<\/span><\/p>\n So f\u00fchren Sie eine GroupBy-Summe in Pandas durch<\/a> Sie k\u00f6nnen die folgende grundlegende Syntax verwenden, um die Funktion \u201egroupby()\u201c mit der Funktion \u201ediff()\u201c in Pandas zu verwenden: df = df. sort_values (by=[‚ group_var1 ‚, ‚ group_var2 ‚]) df[‚ diff ‚] = df. groupby ([‚ group_var1 ‚])[‚ values_var ‚]. diff (). fillna ( 0 ) In diesem speziellen Beispiel werden die Zeilen des DataFrame […]<\/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 = df. sort_values<\/span> (by=[' group_var1<\/span> ', ' group_var2<\/span> '])\n\ndf[' diff<\/span> '] = df. groupby<\/span> ([' group_var1<\/span> '])[' values_var<\/span> ']. diff<\/span> (). fillna<\/span> ( 0<\/span> )\n<\/strong><\/pre>\n Beispiel: So verwenden Sie Groupby mit Diff in Pandas<\/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 ' date<\/span> ': pd. to_datetime<\/span> (['2022-01-01', '2022-01-02',\n '2022-01-03', '2022-01-04',\n '2022-01-01', '2022-01-02',\n '2022-01-03', '2022-01-04']),\n ' sales<\/span> ': [12, 15, 24, 24, 14, 19, 12, 38]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n blind date sales\n0 A 2022-01-01 12\n1 A 2022-01-02 15\n2 A 2022-01-03 24\n3 A 2022-01-04 24\n4 B 2022-01-01 14\n5 B 2022-01-02 19\n6 B 2022-01-03 12\n7 B 2022-01-04 38<\/b><\/pre>\n #sort DataFrame by store and date\n<\/span>df = df. sort_values<\/span> (by=[' store<\/span> ', ' date<\/span> '])\n\n#create new column that contains difference between sales grouped by store\n<\/span>df[' sales_diff<\/span> '] = df. groupby<\/span> ([' store<\/span> '])[' sales<\/span> ']. diff<\/span> (). fillna<\/span> ( 0<\/span> )\n\n#view update DataFrame\n<\/span>print<\/span> (df)\n\n store date sales sales_diff\n0 A 2022-01-01 12 0.0\n1 A 2022-01-02 15 3.0\n2 A 2022-01-03 24 9.0\n3 A 2022-01-04 24 0.0\n4 B 2022-01-01 14 0.0\n5 B 2022-01-02 19 5.0\n6 B 2022-01-03 12 -7.0\n7 B 2022-01-04 38 26.0\n<\/span><\/span><\/strong><\/pre>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So verwenden Sie Groupby und Plot in Pandas<\/a>
So z\u00e4hlen Sie eindeutige Werte mit GroupBy in Pandas<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"