<\/p>\n
U kunt de volgende methoden gebruiken om een voortschrijdende maximumwaarde in een Panda DataFrame te berekenen:<\/span><\/p>\n Methode 1: bereken het glijdende maximum<\/strong><\/span><\/p>\n Methode 2: bereken het glijdende maximum per groep<\/strong><\/span><\/p>\n De volgende voorbeelden laten zien hoe u elke methode in de praktijk kunt gebruiken.<\/span><\/p>\n Stel dat we het volgende panda’s DataFrame hebben dat de verkopen weergeeft die elke dag in een winkel worden gemaakt:<\/span><\/p>\n We kunnen de volgende syntaxis gebruiken om een nieuwe kolom te maken die de voortschrijdende maximale verkoopwaarde weergeeft:<\/span><\/p>\n De nieuwe kolom met de titel Rolling_max<\/strong> geeft de voortschrijdende maximale verkoopwaarde weer.<\/span><\/p>\n Laten we zeggen dat we het volgende panda’s DataFrame hebben dat de verkopen weergeeft die elke dag in twee verschillende winkels worden gemaakt:<\/span><\/p>\n We kunnen de volgende syntaxis gebruiken om een nieuwe kolom te maken waarin de voortschrijdende maximale verkoopwaarde wordt weergegeven, gegroepeerd per winkel:<\/span><\/p>\n De nieuwe kolom met de titel Rolling_max<\/strong> geeft de voortschrijdende maximale verkoopwaarde weer, gegroepeerd per winkel.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende bewerkingen in panda’s kunt uitvoeren:<\/span><\/p>\n Hoe rijen in Pandas DataFrame te verwijderen op basis van de voorwaarde<\/a> U kunt de volgende methoden gebruiken om een voortschrijdende maximumwaarde in een Panda DataFrame te berekenen: Methode 1: bereken het glijdende maximum df[‚ rolling_max ‚] = df. values_column . cummax () Methode 2: bereken het glijdende maximum per groep df[‚ rolling_max ‚] = df. groupby (‚ group_column ‚). values_column . cummax () De volgende voorbeelden […]<\/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-3530","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n df[' rolling_max<\/span> '] = df. values_column<\/span> . cummax<\/span> ()<\/strong><\/pre>\n df[' rolling_max<\/span> '] = df. groupby<\/span> (' group_column<\/span> '). values_column<\/span> . cummax<\/span> ()\n<\/strong><\/pre>\n Voorbeeld 1: bereken het glijdende maximum<\/strong><\/span><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd. DataFrame<\/span> ({' day<\/span> ': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12],\n ' sales<\/span> ': [4, 6, 5, 8, 14, 13, 13, 12, 9, 8, 19, 14]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n day sales\n0 1 4\n1 2 6\n2 3 5\n3 4 8\n4 5 14\n5 6 13\n6 7 13\n7 8 12\n8 9 9\n9 10 8\n10 11 19\n11 12 14\n<\/strong><\/pre>\n #add column that displays rolling maximum of sales\n<\/span>df[' rolling_max<\/span> '] = df. dirty<\/span> . cummax<\/span> ()\n\n#view updated DataFrame\n<\/span>print<\/span> (df)\n\n day sales rolling_max\n0 1 4 4\n1 2 6 6\n2 3 5 6\n3 4 8 8\n4 5 14 14\n5 6 13 14\n6 7 13 14\n7 8 12 14\n8 9 9 14\n9 10 8 14\n10 11 19 19\n11 12 14 19<\/strong><\/pre>\n Voorbeeld 2:<\/strong><\/span> bereken het glijdende maximum per 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', 'A', 'A',\n 'B', 'B', 'B', 'B', 'B', 'B'],\n ' day<\/span> ': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12],\n ' sales<\/span> ': [4, 6, 5, 8, 14, 13, 13, 12, 9, 8, 19, 14]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n store day sales\n0 to 1 4\n1 to 2 6\n2 to 3 5\n3 to 4 8\n4 to 5 14\n5 to 6 13\n6 B 7 13\n7 B 8 12\n8 B 9 9\n9 B 10 8\n10 B 11 19\n11 B 12 14\n<\/strong><\/pre>\n #add column that displays rolling maximum of sales grouped by store\n<\/span>df[' rolling_max<\/span> '] = df. groupby<\/span> (' store<\/span> '). dirty<\/span> . cummax<\/span> ()\n\n#view updated DataFrame\n<\/span>print<\/span> (df)\n\n store day sales rolling_max\n0 A 1 4 4\n1 to 2 6 6\n2 to 3 5 6\n3 to 4 8 8\n4 to 5 14 14\n5 to 6 13 14\n6 B 7 13 13\n7 B 8 12 13\n8 B 9 9 13\n9 B 10 8 13\n10 B 11 19 19\n11 B 12 14 19<\/strong><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe u een Pandas DataFrame op meerdere voorwaarden kunt filteren<\/a>
Hoe u het \u201cNIET IN\u201d-filter in Pandas DataFrame gebruikt<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"