<\/p>\n
\u00c8 possibile utilizzare la funzione description()<\/strong> per generare statistiche descrittive per le variabili in un DataFrame panda.<\/span><\/p>\n \u00c8 possibile utilizzare la seguente sintassi di base per utilizzare la funzione description()<\/strong> con la funzione groupby()<\/strong> nei panda:<\/span><\/p>\n L’esempio seguente mostra come utilizzare questa sintassi nella pratica.<\/span><\/p>\n Supponiamo di avere il seguente DataFrame panda che contiene informazioni sui giocatori di basket di due squadre diverse:<\/span><\/p>\n Possiamo utilizzare la funzione description()<\/strong> con la funzione groupby()<\/strong> per riassumere i valori nella colonna dei punti<\/strong> per ogni squadra<\/strong> :<\/span><\/p>\n Dal risultato possiamo vedere i seguenti valori per la variabile punti<\/strong> per ciascuna squadra:<\/span><\/p>\n Se vuoi che i risultati vengano visualizzati in formato DataFrame, puoi utilizzare l’argomento reset_index()<\/strong> :<\/span><\/p>\n La variabile del team<\/strong> \u00e8 ora una colonna nel DataFrame e i valori dell’indice sono 0 e 1.<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre operazioni comuni nei panda:<\/span><\/p>\n Panda: come calcolare il cumulato per gruppo<\/a> \u00c8 possibile utilizzare la funzione description() per generare statistiche descrittive per le variabili in un DataFrame panda. \u00c8 possibile utilizzare la seguente sintassi di base per utilizzare la funzione description() con la funzione groupby() nei panda: df. groupby (‘ group_var ‘)[‘ values_var ‘]. describe () L’esempio seguente mostra come utilizzare questa sintassi nella pratica. Esempio: […]<\/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> (' group_var<\/span> ')[' values_var<\/span> ']. describe<\/span> ()\n<\/strong><\/span><\/pre>\n Esempio: usa description() per gruppo in Pandas<\/strong><\/span><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd. DataFrame<\/span> ({' team<\/span> ': ['A', 'A', 'A', 'A', 'B', 'B', 'B', 'B'],\n ' points<\/span> ': [8, 12, 14, 14, 15, 22, 27, 24],\n ' assists<\/span> ':[2, 2, 3, 5, 7, 6, 8, 12]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n team points assists\n0 to 8 2\n1 to 12 2\n2 to 14 3\n3 to 14 5\n4 B 15 7\n5 B 22 6\n6 B 27 8\n7 B 24 12<\/strong><\/span><\/pre>\n #summarize points by team\ndf. groupby<\/span> (' team<\/span> ')[' points<\/span> ']. describe<\/span> ()\n<\/span>\n<\/span>count mean std min 25% 50% 75% max\nteam\t\t\t\t\t\t\t\t\nA 4.0 12.0 2.828427 8.0 11.00 13.0 14.00 14.0\nB 4.0 22.0 5.099020 15.0 20.25 23.0 24.75 27.0<\/strong><\/pre>\n\n
#summarize points by team\ndf. groupby<\/span> (' team<\/span> ')[' points<\/span> ']. describe<\/span> (). reset_index<\/span> ()<\/span><\/span><\/strong>\n\n team count mean std min 25% 50% 75% max\n0 A 4.0 12.0 2.828427 8.0 11.00 13.0 14.00 14.0\n1 B 4.0 22.0 5.099020 15.0 20.25 23.0 24.75 27.0\n<\/strong><\/span><\/pre>\n Risorse addizionali<\/strong><\/span><\/h2>\n
Panda: come contare i valori unici per gruppo<\/a>
Panda: come calcolare la correlazione per gruppo<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"