<\/p>\n
\u00c8 possibile utilizzare i seguenti metodi per calcolare i valori spostati di gruppo in un DataFrame panda:<\/span><\/p>\n Metodo 1: calcolare l’offset per un gruppo<\/strong><\/span><\/p>\n Metodo 2: calcolare l’offset per pi\u00f9 gruppi<\/strong><\/span><\/p>\n Da notare che il valore della funzione shift()<\/strong> indica il numero di valori per i quali calcolare lo spostamento.<\/span><\/p>\n Gli esempi seguenti mostrano come utilizzare ciascun metodo nella pratica.<\/span><\/p>\n Supponiamo di avere il seguente DataFrame panda che mostra le vendite effettuate da due negozi in giorni consecutivi:<\/span><\/p>\n Possiamo utilizzare la seguente sintassi per creare una colonna offset che mostri le vendite del giorno precedente per ciascun negozio:<\/span><\/p>\n Ecco come interpretare il risultato:<\/span><\/p>\n E cos\u00ec via.<\/span><\/p>\n Supponiamo di avere il seguente DataFrame panda che mostra le vendite effettuate dai dipendenti di due negozi in giorni consecutivi:<\/span><\/p>\n Possiamo utilizzare la seguente sintassi per creare una colonna di offset che visualizzi le vendite del giorno precedente per ciascun dipendente in ciascun negozio:<\/span><\/p>\n La nuova colonna lagged_sales<\/strong> mostra le vendite del giorno precedente per ciascun dipendente in ciascun negozio.<\/span><\/p>\n Nota<\/strong> : in questo esempio, abbiamo raggruppato per due colonne, ma puoi raggruppare per tutte le colonne che desideri includendo tutti i nomi di variabili che desideri nella funzione groupby()<\/strong> .<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni nei panda:<\/span><\/p>\n Come eliminare colonne in Pandas<\/a> \u00c8 possibile utilizzare i seguenti metodi per calcolare i valori spostati di gruppo in un DataFrame panda: Metodo 1: calcolare l’offset per un gruppo df[‘ lagged_values ‘] = df. groupby ([‘ group ‘])[‘ values ‘]. shift ( 1 ) Metodo 2: calcolare l’offset per pi\u00f9 gruppi df[‘ lagged_values ‘] = df. groupby ([‘ group1 ‘, […]<\/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 Esempio 1: calcolare l’offset di un gruppo<\/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
Esempio 2: calcolare l’offset per pi\u00f9 gruppi<\/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 Risorse addizionali<\/strong><\/span><\/h2>\n
Come escludere colonne in Pandas<\/a>
Come applicare una funzione alle colonne selezionate in Pandas
Come modificare l’ordine delle colonne in Pandas DataFrame<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"