<\/p>\n
Anda dapat menggunakan sintaks dasar berikut untuk menggunakan fungsi groupby()<\/strong> dengan fungsi diff()<\/strong> di pandas:<\/span><\/p>\n Contoh khusus ini mengurutkan baris DataFrame berdasarkan dua variabel tertentu, lalu mengelompokkannya berdasarkan group_var1<\/strong> dan menghitung selisih antara baris di kolom value_var<\/strong> .<\/span><\/p>\n Perhatikan bahwa fillna(0)<\/strong> memberitahu panda untuk memasukkan angka nol setiap kali nilai variabel grup berubah di antara baris yang berurutan di DataFrame.<\/span><\/p>\n Contoh berikut menunjukkan cara menggunakan sintaksis ini dalam praktiknya.<\/span><\/p>\n Misalkan kita memiliki pandas DataFrame berikut yang berisi total penjualan yang dilakukan oleh dua toko berbeda pada tanggal berbeda:<\/span><\/p>\n Sekarang misalkan kita ingin membuat kolom baru bernama sales_diff<\/strong> yang berisi selisih nilai penjualan antara tanggal berturut-turut, dikelompokkan berdasarkan toko.<\/span><\/p>\n Kita dapat menggunakan sintaks berikut untuk melakukan ini:<\/span><\/p>\n Kolom sales_diff<\/strong> baru berisi selisih nilai penjualan antara tanggal berturut-turut, yang dikelompokkan berdasarkan toko.<\/span><\/p>\n Misalnya, kita dapat melihat:<\/span><\/p>\n Dan seterusnya.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan operasi umum lainnya di panda:<\/span><\/p>\n Cara melakukan penjumlahan GroupBy di Pandas<\/a> Anda dapat menggunakan sintaks dasar berikut untuk menggunakan fungsi groupby() dengan fungsi diff() di pandas: df = df. sort_values (by=[‘ group_var1 ‘, ‘ group_var2 ‘]) df[‘ diff ‘] = df. groupby ([‘ group_var1 ‘])[‘ values_var ‘]. diff (). fillna ( 0 ) Contoh khusus ini mengurutkan baris DataFrame berdasarkan dua variabel tertentu, lalu mengelompokkannya berdasarkan […]<\/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 Contoh: Cara menggunakan groupby dengan diff di 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
Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara menggunakan Groupby dan Plot di Pandas<\/a>
Cara menghitung nilai unik menggunakan GroupBy di Pandas<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"