<\/p>\n
\u00c8 possibile utilizzare la seguente sintassi di base per utilizzare le funzioni groupby()<\/strong> e apply()<\/strong> insieme in un DataFrame panda:<\/span><\/p>\n I seguenti esempi mostrano come utilizzare questa sintassi in pratica con i seguenti DataFrame panda:<\/span><\/p>\n Il codice seguente mostra come utilizzare le funzioni groupby(<\/strong> ) e apply()<\/strong> per trovare le frequenze relative di ciascun nome di squadra nel DataFrame panda:<\/span><\/p>\n Dal risultato, possiamo vedere che la squadra A appare nel 42,85% di tutte le righe e la squadra B appare nel 57,14% di tutte le righe.<\/span><\/p>\n Il codice seguente mostra come utilizzare le funzioni groupby(<\/strong> ) e apply()<\/strong> per trovare i valori massimi di \u201cpoints_for\u201d per ogni squadra:<\/span><\/p>\n Dal risultato, possiamo vedere che il massimo dei punti segnati dalla squadra A \u00e8 22 e il massimo dei punti segnati dalla squadra B \u00e8 28.<\/span><\/p>\n Il codice seguente mostra come utilizzare le funzioni groupby(<\/strong> ) e apply()<\/strong> per trovare la differenza media tra “punti_per” e “punti_contro” per ciascuna squadra:<\/span><\/p>\n Dai risultati possiamo vedere che la differenza media tra “punti a favore” e “punti contro” \u00e8 1,67<\/strong> per la squadra A e 1,50<\/strong> per la squadra B.<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre operazioni comuni nei panda:<\/span><\/p>\n Come eseguire una somma GroupBy in Pandas<\/a> \u00c8 possibile utilizzare la seguente sintassi di base per utilizzare le funzioni groupby() e apply() insieme in un DataFrame panda: df. groupby (‘ var1 ‘). apply ( lambda x: some function) I seguenti esempi mostrano come utilizzare questa sintassi in pratica con i seguenti DataFrame panda: import pandas as pd #createDataFrame df = pd. 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. groupby<\/span> (' var1<\/span> '). apply<\/span> ( lambda<\/span> x: some function)\n<\/strong><\/pre>\n import<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' team<\/span> ': ['A', 'A', 'A', 'B', 'B', 'B', 'B'],\n ' points_for<\/span> ': [18, 22, 19, 14, 11, 20, 28],\n ' points_against<\/span> ': [14, 21, 19, 14, 12, 20, 21]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n team points_for points_against\n0 to 18 14\n1 To 22 21\n2 A 19 19\n3 B 14 14\n4 B 11 12\n5 B 20 20\n6 B 28 21<\/b><\/pre>\n Esempio 1: utilizzare groupby() e apply() per trovare le frequenze relative<\/strong><\/span><\/h3>\n
#find relative frequency of each team name in DataFrame\ndf. groupby<\/span> (' team<\/span> '). apply<\/span> ( lambda<\/span> x:x[' team<\/span> ']. count<\/span> ()\/ df.shape<\/span> [0])\n\nteam\nA 0.428571\nB 0.571429\ndtype:float64\n<\/span><\/span><\/strong><\/pre>\n Esempio 2: utilizzare groupby() e apply() per trovare i valori massimi<\/strong><\/span><\/h3>\n
#find max \"points_for\" values for each team\ndf. groupby<\/span> (' team<\/span> '). apply<\/span> ( lambda<\/span> x:x[' points_for<\/span> ']. max<\/span> ())\n\nteam\nAt 22\nB28\ndtype: int64<\/span><\/span><\/strong><\/pre>\n Esempio 3: utilizzare groupby() e apply() per eseguire un calcolo personalizzato<\/strong><\/span><\/h3>\n
#find max \"points_for\" values for each team\ndf. groupby<\/span> (' team<\/span> '). apply<\/span> ( lambda<\/span> x: (x[' points_for<\/span> '] - x[' points_against<\/span> ']). mean<\/span> ())\n\nteam\nA 1.666667\nB 1.500000\ndtype:float64\n<\/span><\/span><\/strong><\/pre>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Come utilizzare Groupby e Plot in Pandas<\/a>
Come contare valori univoci utilizzando GroupBy in Pandas<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"