<\/p>\n
U kunt de volgende basissyntaxis gebruiken om de functies groupby()<\/strong> en apply()<\/strong> samen te gebruiken in een pandas DataFrame:<\/span><\/p>\n De volgende voorbeelden laten zien hoe u deze syntaxis in de praktijk kunt gebruiken met de volgende panda’s DataFrame:<\/span><\/p>\n De volgende code laat zien hoe u de functies groupby(<\/strong> ) en apply()<\/strong> gebruikt om de relatieve frequenties van elke teamnaam in het panda’s DataFrame te vinden:<\/span><\/p>\n Uit het resultaat kunnen we zien dat team A in 42,85% van alle rijen voorkomt en team B in 57,14% van alle rijen.<\/span><\/p>\n De volgende code laat zien hoe u de functies groupby(<\/strong> ) en apply()<\/strong> kunt gebruiken om de maximale \u201cpoints_for\u201d-waarden voor elk team te vinden:<\/span><\/p>\n Uit het resultaat kunnen we zien dat het maximale aantal punten gescoord door team A 22 is en het maximale aantal punten gescoord door team B 28 is.<\/span><\/p>\n De volgende code laat zien hoe u de functies groupby(<\/strong> ) en apply()<\/strong> kunt gebruiken om het gemiddelde verschil tussen \u201cpoints_for\u201d en \u201cpoints_against\u201d voor elk team te vinden:<\/span><\/p>\n Uit de resultaten kunnen we zien dat het gemiddelde verschil tussen \u2018punten voor\u2019 en \u2018punten tegen\u2019 1,67<\/strong> is voor team A en 1,50<\/strong> voor team B.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende bewerkingen in panda’s kunt uitvoeren:<\/span><\/p>\n Hoe u een GroupBy-som uitvoert in Pandas<\/a> U kunt de volgende basissyntaxis gebruiken om de functies groupby() en apply() samen te gebruiken in een pandas DataFrame: df. groupby (‚ var1 ‚). apply ( lambda x: some function) De volgende voorbeelden laten zien hoe u deze syntaxis in de praktijk kunt gebruiken met de volgende panda’s DataFrame: import pandas as pd #createDataFrame df […]<\/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":[],"class_list":["post-2521","post","type-post","status-publish","format-standard","hentry","category-gids"],"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 Voorbeeld 1: Gebruik groupby() en apply() om relatieve frequenties te vinden<\/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 Voorbeeld 2: Gebruik groupby() en apply() om maximale waarden te vinden<\/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 Voorbeeld 3: Gebruik groupby() en apply() om een aangepaste berekening uit te voeren<\/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 Aanvullende bronnen<\/strong><\/span><\/h3>\n
Groupby en Plot gebruiken in Panda’s<\/a>
Hoe unieke waarden te tellen met GroupBy in Pandas<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"