<\/p>\n
U kunt de volgende methoden gebruiken om groep-verschoven waarden in een Panda DataFrame te berekenen:<\/span><\/p>\n Methode 1: Bereken de offset van een groep<\/strong><\/span><\/p>\n Methode 2: Bereken de offset van meerdere groepen<\/strong><\/span><\/p>\n Merk op dat de waarde van de functie shift()<\/strong> het aantal waarden aangeeft waarvoor de verschuiving moet worden berekend.<\/span><\/p>\n De volgende voorbeelden laten zien hoe u elke methode in de praktijk kunt gebruiken.<\/span><\/p>\n Laten we zeggen dat we het volgende panda’s DataFrame hebben dat de verkopen weergeeft die door twee winkels op opeenvolgende dagen zijn gerealiseerd:<\/span><\/p>\n We kunnen de volgende syntaxis gebruiken om een compensatiekolom te maken die de verkopen van de vorige dag voor elke winkel weergeeft:<\/span><\/p>\n Zo interpreteert u het resultaat:<\/span><\/p>\n Enzovoort.<\/span><\/p>\n Stel dat we het volgende panda’s DataFrame hebben dat de verkopen weergeeft die werknemers van twee winkels op opeenvolgende dagen hebben gemaakt:<\/span><\/p>\n We kunnen de volgende syntaxis gebruiken om een compensatiekolom te maken die de verkopen van de vorige dag voor elke werknemer in elke winkel weergeeft:<\/span><\/p>\n De nieuwe kolom met vertraagde verkoop<\/strong> toont de omzet van de vorige dag voor elke medewerker in elke winkel.<\/span><\/p>\n Opmerking<\/strong> : in dit voorbeeld hebben we gegroepeerd op twee kolommen, maar u kunt op zoveel kolommen groeperen als u wilt door zoveel namen van variabelen op te nemen als u wilt in de functie groupby()<\/strong> .<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in panda’s kunt uitvoeren:<\/span><\/p>\n Hoe kolommen in Panda’s te verwijderen<\/a> U kunt de volgende methoden gebruiken om groep-verschoven waarden in een Panda DataFrame te berekenen: Methode 1: Bereken de offset van een groep df[‚ lagged_values ‚] = df. groupby ([‚ group ‚])[‚ values ‚]. shift ( 1 ) Methode 2: Bereken de offset van meerdere groepen 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":[],"class_list":["post-3524","post","type-post","status-publish","format-standard","hentry","category-gids"],"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 Voorbeeld 1: Bereken de offset van een groep<\/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
Voorbeeld 2: Bereken de offset van meerdere groepen<\/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 Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe u kolommen uitsluit in Panda’s<\/a>
Hoe een functie toe te passen op geselecteerde kolommen in Pandas
Hoe u de kolomvolgorde in Pandas DataFrame kunt wijzigen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"