<\/p>\n
H\u00e4ufig m\u00f6chten Sie m\u00f6glicherweise mehrere Spalten eines Pandas-DataFrames gruppieren und aggregieren.<\/span><\/p>\n Gl\u00fccklicherweise ist dies mit den Pandas-Funktionen .groupby()<\/a> und .agg()<\/a> einfach zu bewerkstelligen.<\/span><\/p>\n In diesem Tutorial werden einige Beispiele f\u00fcr den praktischen Einsatz dieser Funktionen erl\u00e4utert.<\/span><\/p>\n Angenommen, wir haben den folgenden Pandas-DataFrame:<\/span><\/p>\n Der folgende Code zeigt, wie man nach den Spalten \u201eTeam\u201c und \u201ePosition\u201c gruppiert und die durchschnittlichen P\u00e4sse ermittelt:<\/span><\/p>\n Die Ausgabe sagt uns:<\/span><\/p>\n Und so weiter.<\/span><\/p>\n Wir k\u00f6nnen auch den folgenden Code verwenden, um die Spalten des resultierenden DataFrame umzubenennen:<\/span><\/p>\n Nehmen wir an, wir verwenden denselben Pandas-DataFrame wie im vorherigen Beispiel:<\/span><\/p>\n Der folgende Code zeigt, wie man den Median und die maximale Anzahl von Rebounds ermittelt, gruppiert in den Spalten \u201eTeam\u201c und \u201ePosition\u201c:<\/span><\/p>\n Die Ausgabe sagt uns:<\/span><\/p>\n Und so weiter.<\/span><\/p>\n So filtern Sie einen Pandas DataFrame nach mehreren Bedingungen<\/a> H\u00e4ufig m\u00f6chten Sie m\u00f6glicherweise mehrere Spalten eines Pandas-DataFrames gruppieren und aggregieren. Gl\u00fccklicherweise ist dies mit den Pandas-Funktionen .groupby() und .agg() einfach zu bewerkstelligen. In diesem Tutorial werden einige Beispiele f\u00fcr den praktischen Einsatz dieser Funktionen erl\u00e4utert. Beispiel 1: Gruppieren Sie nach zwei Spalten und ermitteln Sie den Durchschnitt Angenommen, wir haben den folgenden Pandas-DataFrame: import […]<\/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 Beispiel 1: Gruppieren Sie nach zwei Spalten und ermitteln Sie den Durchschnitt<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd.DataFrame({'team': ['A', 'B', 'B', 'B', 'B', 'M', 'M', 'M'],\n 'position': ['G', 'G', 'F', 'G', 'F', 'F', 'C', 'C'],\n 'assists': [5, 7, 7, 8, 5, 7, 6, 9],\n 'rebounds': [11, 8, 10, 6, 6, 9, 6, 10]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n team position assists rebounds\n0 AG 5 11\n1 BG 7 8\n2 BF 7 10\n3 BG 8 6\n4 BF 5 6\n5 MF 7 9\n6 MC 6 6\n7 MC 9 10\n<\/strong><\/pre>\n df. groupby<\/span> (['team', 'position']). agg<\/span> ({'assists': ['mean']}). reset_index<\/span> ()\n\n\n team position assists\n mean\n0 A G 5.0\n1 B F 6.0\n2 B G 7.5\n3 M C 7.5\n4M F 7.0\n<\/strong><\/pre>\n\n
#group by team and position and find mean assists<\/span>\nnew = df. groupby<\/span> (['team', 'position']). agg<\/span> ({'assists': ['mean']}). reset_index<\/span> ()\n\n#rename columns<\/span>\nnew.columns = ['team', 'pos', 'mean_assists']\n\n#view DataFrame<\/span>\nprint<\/span> (new)\n\n\tteam pos mean_assists\n0 A G 5.0\n1 B F 6.0\n2 B G 7.5\n3 M C 7.5\n4M F 7.0<\/strong><\/pre>\n Beispiel 2: Gruppieren Sie nach zwei Spalten und finden Sie mehrere Statistiken<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd.DataFrame({'team': ['A', 'B', 'B', 'B', 'B', 'M', 'M', 'M'],\n 'position': ['G', 'G', 'F', 'G', 'F', 'F', 'C', 'C'],\n 'assists': [5, 7, 7, 8, 5, 7, 6, 9],\n 'rebounds': [11, 8, 10, 6, 6, 9, 6, 10]})<\/strong><\/pre>\n df. groupby<\/span> (['team', 'position']). agg<\/span> ({'rebounds': ['median', 'max']}). reset_index<\/span> ()\n\n\n team position rebounds\n median max\n0 A G 11 11\n1 B F 8 10\n2 B G 7 8\n3 M C 8 10\n4 M F 9 9\n<\/strong><\/pre>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So z\u00e4hlen Sie fehlende Werte in einem Pandas DataFrame<\/a>
So stapeln Sie mehrere Pandas DataFrames<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"