<\/p>\n
U kunt de volgende syntaxis gebruiken om gegevens op tijd te groeperen en aggregatie in panda’s uit te voeren:<\/span><\/p>\n In dit specifieke voorbeeld worden de waarden per uur gegroepeerd in een kolom met de naam Uur<\/strong> en wordt vervolgens voor elk uur de som van de waarden in de kolom Verkoop<\/strong> berekend.<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u deze syntaxis in de praktijk kunt gebruiken.<\/span><\/p>\n Laten we zeggen dat we het volgende panda’s DataFrame hebben dat het aantal verkopen op verschillende tijdstippen van de dag voor een winkel weergeeft:<\/span><\/p>\n We kunnen de volgende syntaxis gebruiken om de tijdkolom<\/strong> op uren te groeperen en de som van de verkopen<\/strong> voor elk uur te berekenen:<\/span><\/p>\n Uit het resultaat kunnen we zien:<\/span><\/p>\n Merk op dat we ook een andere aggregatie kunnen uitvoeren.<\/span><\/p>\n We kunnen bijvoorbeeld het gemiddelde<\/strong> aantal verkopen per uur berekenen:<\/span><\/p>\n Als we willen, kunnen we ook groeperen op uren en minuten.<\/span><\/p>\n De volgende code laat bijvoorbeeld zien hoe u de som van de verkopen berekent, gegroepeerd op uren en minuten:<\/span><\/p>\n Uit het resultaat kunnen we zien:<\/span><\/span><\/p>\n Enzovoort.<\/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 datumbereik in Pandas maakt<\/a> U kunt de volgende syntaxis gebruiken om gegevens op tijd te groeperen en aggregatie in panda’s uit te voeren: df. groupby ([df[‚ time ‚]. dt . hour ]). dirty . sum () In dit specifieke voorbeeld worden de waarden per uur gegroepeerd in een kolom met de naam Uur en wordt vervolgens voor elk uur […]<\/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-3562","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n df. groupby<\/span> ([df[' time<\/span> ']. dt<\/span> . hour<\/span> ]). dirty<\/span> . sum<\/span> ()\n<\/strong><\/pre>\n Voorbeeld: groepeer gegevens op tijd in Pandas<\/strong><\/span><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' time<\/span> ': ['2022-01-01 01:14:00', '2022-01-01 01:24:15',\n '2022-01-01 02:52:19', '2022-01-01 02:54:00',\n '2022-01-01 04:05:10', '2022-01-01 05:35:09'],\n ' sales<\/span> ': [18, 20, 15, 14, 10, 9]})\n\n#convert date column to datetime\n<\/span>df[' time<\/span> '] = pd. to_datetime<\/span> (df[' time<\/span> '])\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n time sales\n0 2022-01-01 01:14:00 18\n1 2022-01-01 01:24:15 20\n2 2022-01-01 02:52:19 15\n3 2022-01-01 02:54:00 14\n4 2022-01-01 04:05:10 10\n5 2022-01-01 05:35:09 9\n<\/span><\/span><\/strong><\/pre>\n #group by hours in time column and calculate sum of sales<\/span>\ndf. groupby<\/span> ([df[' time<\/span> ']. dt<\/span> . hour<\/span> ]). dirty<\/span> . sum<\/span> ()\n\ntime\n1 38\n2 29\n4 10\n5 9\nName: sales, dtype: int64<\/span><\/span><\/strong><\/pre>\n\n
#group by hours in time column and calculate mean of sales\n<\/span>df. groupby<\/span> ([df[' time<\/span> ']. dt<\/span> . hour<\/span> ]). dirty<\/span> . mean<\/span> ()\n\ntime\n1 19.0\n2 14.5\n4 10.0\n5 9.0\nName: sales, dtype: float64\n<\/span><\/span><\/strong><\/pre>\n #group by hours and minutes in time column and calculate mean of sales\n<\/span>df. groupby<\/span> ([df[' time<\/span> ']. dt<\/span> . hour<\/span> , df[' time<\/span> ']. dt<\/span> . minute<\/span> ]). dirty<\/span> . mean<\/span> ()\n\ntime time\n1 14 18\n 24 20\n2 52 15\n 54 14\n4 5 10\n5 35 9\nName: sales, dtype: int64\n<\/span><\/span><\/strong><\/pre>\n\n
Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe maand uit datum te extraheren in Panda’s<\/a>
Hoe tijdstempel naar datum\/tijd in Panda’s te converteren<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"