<\/p>\n
U kunt de volgende basissyntaxis gebruiken om een groupby met meerdere aggregaties in panda’s te gebruiken:<\/span><\/p>\n Deze specifieke formule groepeert de rijen van het DataFrame op basis van de variabele genaamd team<\/b> en berekent vervolgens verschillende samenvattende statistieken voor de variabele genaamd points<\/strong> .<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u deze syntaxis in de praktijk kunt gebruiken.<\/span><\/p>\n Stel dat we het volgende panda’s DataFrame hebben dat informatie bevat over verschillende basketbalspelers:<\/span><\/p>\n We kunnen de volgende syntaxis gebruiken om de rijen van het DataFrame te groeperen op team<\/strong> en vervolgens het gemiddelde, de som en de standaardafwijking van de punten<\/strong> voor elk team te berekenen:<\/span><\/p>\n Het resultaat toont het gemiddelde, de som en de standaardafwijking van de puntenvariabele<\/strong> voor elk team<\/strong> .<\/span><\/p>\n U kunt een vergelijkbare syntaxis gebruiken om een groupby uit te voeren en zoveel aggregaties te berekenen als u wilt.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende panda-taken kunt uitvoeren:<\/span><\/p>\n Hoe u unieke waarden kunt tellen met Pandas GroupBy<\/a> U kunt de volgende basissyntaxis gebruiken om een groupby met meerdere aggregaties in panda’s te gebruiken: df. groupby (‚ team ‚). agg ( mean_points=(‚ points ‚, np. mean ), sum_points=(‚ points ‚, np. sum ), std_points=(‚ points ‚, np. std )) Deze specifieke formule groepeert de rijen van het DataFrame op basis van de variabele […]<\/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-3536","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n df. groupby<\/span> (' team<\/span> '). agg<\/span> (\n mean_points=(' points<\/span> ', np. mean<\/span> ),\n sum_points=(' points<\/span> ', np. sum<\/span> ),\n std_points=(' points<\/span> ', np. std<\/span> ))\n<\/strong><\/pre>\n Voorbeeld: Groupby gebruiken met meerdere aggregaties in Panda’s<\/strong><\/span><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n<\/strong>#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' team<\/span> ': ['Mavs', 'Mavs', 'Mavs', 'Heat', 'Heat', 'Heat'],\n ' points<\/span> ': [18, 22, 19, 14, 14, 11],\n ' assists<\/span> ': [5, 7, 7, 9, 12, 9]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n team points assists\n0 Mavs 18 5\n1 Mavs 22 7\n2 Mavs 19 7\n3 Heat 14 9\n4 Heat 14 12\n5 Heat 11 9\n<\/strong><\/pre>\n import<\/span> numpy as<\/span> np\n\n#group by team and calculate mean, sum, and standard deviation of points\n<\/span><\/strong>df. groupby<\/span> (' team<\/span> '). agg<\/span> (\n mean_points=(' points<\/span> ', np. mean<\/span> ),\n sum_points=(' points<\/span> ', np. sum<\/span> ),\n std_points=(' points<\/span> ', np. std<\/span> ))\n\n mean_points sum_points std_points\nteam\t\t\t\nHeat 13.000000 39 1.732051\nMavs 19.666667 59 2.081666<\/strong><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h2>\n
Een functie toepassen op Panda’s Groupby<\/a>
Hoe u een staafdiagram kunt maken vanuit Pandas GroupBy<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"