<\/p>\n
Anda dapat menggunakan metode berikut untuk menghitung nilai pergeseran grup di pandas DataFrame:<\/span><\/p>\n Metode 1: Hitung offset berdasarkan grup<\/strong><\/span><\/p>\n Metode 2: Hitung offset oleh beberapa grup<\/strong><\/span><\/p>\n Perhatikan bahwa nilai fungsi shift()<\/strong> menunjukkan jumlah nilai yang akan digunakan untuk menghitung pergeseran.<\/span><\/p>\n Contoh berikut menunjukkan cara menggunakan masing-masing metode dalam praktik.<\/span><\/p>\n Katakanlah kita memiliki pandas DataFrame berikut yang menunjukkan penjualan yang dilakukan oleh dua toko pada hari berturut-turut:<\/span><\/p>\n Kita dapat menggunakan sintaks berikut untuk membuat kolom offset yang menampilkan penjualan hari sebelumnya untuk setiap toko:<\/span><\/p>\n Berikut cara menafsirkan hasilnya:<\/span><\/p>\n Dan seterusnya.<\/span><\/p>\n Misalkan kita memiliki panda DataFrame berikut yang menunjukkan penjualan yang dilakukan oleh karyawan dua toko pada hari berturut-turut:<\/span><\/p>\n Kita dapat menggunakan sintaks berikut untuk membuat kolom offset yang menampilkan penjualan hari sebelumnya untuk setiap karyawan di setiap toko:<\/span><\/p>\n Kolom lagged_sales<\/strong> baru menampilkan penjualan hari sebelumnya untuk setiap karyawan di setiap toko.<\/span><\/p>\n Catatan<\/strong> : Dalam contoh ini, kami telah mengelompokkan berdasarkan dua kolom, namun Anda dapat mengelompokkan berdasarkan kolom sebanyak yang Anda inginkan dengan menyertakan nama variabel sebanyak yang Anda inginkan dalam fungsi groupby()<\/strong> .<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di panda:<\/span><\/p>\n Cara menghapus kolom di Pandas<\/a> Anda dapat menggunakan metode berikut untuk menghitung nilai pergeseran grup di pandas DataFrame: Metode 1: Hitung offset berdasarkan grup df[‘ lagged_values ‘] = df. groupby ([‘ group ‘])[‘ values ‘]. shift ( 1 ) Metode 2: Hitung offset oleh beberapa grup df[‘ lagged_values ‘] = df. groupby ([‘ group1 ‘, ‘ group2 ‘])[‘ values ‘]. […]<\/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 Contoh 1: Hitung offset berdasarkan grup<\/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
Contoh 2: Hitung offset oleh beberapa grup<\/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 Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara mengecualikan kolom di Pandas<\/a>
Cara menerapkan fungsi ke kolom yang dipilih di Pandas
Bagaimana mengubah urutan kolom di Pandas DataFrame<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"