<\/p>\n
In de programmeertaal R kunnen we de functie mute()<\/strong> uit het dplyr-<\/strong> pakket gebruiken om snel nieuwe kolommen toe te voegen aan een gegevensframe dat is berekend op basis van de bestaande kolommen.<\/span><\/span><\/p>\n De volgende code laat bijvoorbeeld zien hoe u de gemiddelde waarde van een specifieke kolom in R kunt berekenen en die waarde kunt toevoegen als een nieuwe kolom in een gegevensframe:<\/span><\/p>\n Het equivalent van de functie mute()<\/strong> in panda’s is de functie transform()<\/strong> .<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u deze functie in de praktijk kunt gebruiken.<\/span><\/p>\n Stel dat we het volgende panda’s DataFrame hebben dat de punten weergeeft die zijn gescoord door basketbalspelers van verschillende teams:<\/span><\/p>\n We kunnen de functie transform()<\/strong> gebruiken om een nieuwe kolom toe te voegen met de naam Mean_points<\/strong> , waarin de gemiddelde punten worden weergegeven die door elk team zijn gescoord:<\/span><\/p>\n De gemiddelde puntwaarde voor spelers van team A was 21,25<\/strong> en de gemiddelde puntwaarde voor spelers van team B was 18,25<\/strong> , dus deze waarden werden dienovereenkomstig aan elke speler in een nieuwe kolom toegewezen.<\/span><\/p>\n Merk op dat dit overeenkomt met de resultaten die zijn verkregen met de functie mute()<\/strong> in het inleidende voorbeeld.<\/span><\/p>\n Het is vermeldenswaard dat u lambda<\/strong> ook kunt gebruiken om aangepaste berekeningen uit te voeren in de functie transform()<\/strong> .<\/span><\/p>\n De volgende code laat bijvoorbeeld zien hoe u lambda<\/strong> kunt gebruiken om<\/span> het percentage van het totaal aantal punten te berekenen dat door elke speler in zijn respectievelijke team is gescoord:<\/span><\/p>\n Zo interpreteert u het resultaat:<\/span><\/p>\n Enzovoort.<\/span><\/p>\n Merk op dat we het lambda-<\/strong> argument in de transform()-<\/strong> functie kunnen gebruiken om elke gewenste aangepaste berekening uit te voeren.<\/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> In de programmeertaal R kunnen we de functie mute() uit het dplyr- pakket gebruiken om snel nieuwe kolommen toe te voegen aan een gegevensframe dat is berekend op basis van de bestaande kolommen. De volgende code laat bijvoorbeeld zien hoe u de gemiddelde waarde van een specifieke kolom in R kunt berekenen en die waarde […]<\/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-3566","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n library<\/span> (dplyr)\n\n#create data frame\n<\/span>df <- data. frame<\/span> (team=c('A', 'A', 'A', 'A', 'B', 'B', 'B', 'B'),\n points=c(30, 22, 19, 14, 14, 11, 20, 28))\n\n#add new column that shows mean points by team\n<\/span>df <- df %>%\n group_by(team) %>%\n mutate(mean_points = mean(points))\n\n#view updated data frame\n<\/span>df\n\n team points mean_points \n1 to 30 21.2\n2 A 22 21.2\n3 A 19 21.2\n4 A 14 21.2\n5 B 14 18.2\n6 B 11 18.2\n7 B 20 18.2\n8 B 28 18.2\n<\/strong><\/pre>\n Voorbeeld: transform() gebruiken in panda’s om mute() in R te repliceren<\/strong><\/span><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame\ndf = pd. DataFrame<\/span> ({' team<\/span> ': ['A', 'A', 'A', 'A', 'B', 'B', 'B', 'B'],\n ' points<\/span> ': [30, 22, 19, 14, 14, 11, 20, 28]})<\/span>\n\n#view DataFrame\nprint<\/span> (df)\n\n team points\n0 to 30\n1 to 22\n2 to 19\n3 to 14\n4 B 14\n5 B 11\n6 B 20\n7 B 28\n<\/span><\/span><\/strong><\/pre>\n #add new column to DataFrame that shows mean points by team\n<\/span>df[' mean_points<\/span> '] = df. groupby<\/span> (' team<\/span> ')[' points<\/span> ']. transform<\/span> (' mean<\/span> ')\n\n#view updated DataFrame\n<\/span>print<\/span> (df)\n\n team points mean_points\n0 to 30 21.25\n1 to 22 21.25\n2 A 19 21.25\n3 to 14 21.25\n4 B 14 18.25\n5 B 11 18.25\n6 B 20 18.25\n7 B 28 18.25\n<\/strong><\/pre>\n #create new column called percent_of_points\ndf[' percent_of_points<\/span> '] = df. groupby<\/span> (' team<\/span> ')[' points<\/span> ']. transform<\/span> ( lambda<\/span> x:x\/ x.sum<\/span> ())\n<\/span>\n#view updated DataFrame\nprint<\/span> (df)\n\n team points percent_of_points\n0 A 30 0.352941\n1 A 22 0.258824\n2 A 19 0.223529\n3 A 14 0.164706\n4 B 14 0.191781\n5 B 11 0.150685\n6 B 20 0.273973\n7 B 28 0.383562\n<\/span><\/span><\/strong><\/pre>\n\n
Aanvullende bronnen<\/strong><\/span><\/h2>\n
Groupby en Plot gebruiken in Panda’s<\/a>
Hoe u unieke waarden kunt tellen met GroupBy in Pandas<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"