<\/p>\n
Vaak wilt u mogelijk meerdere kolommen van een Panda DataFrame groeperen en samenvoegen.<\/span><\/p>\n Gelukkig is dit eenvoudig te doen met de panda’s .groupby()<\/a> en .agg()<\/a> functies.<\/span><\/p>\n In deze tutorial worden verschillende voorbeelden van praktisch gebruik van deze functies uitgelegd.<\/span><\/p>\n Stel dat we de volgende panda’s DataFrame hebben:<\/span><\/p>\n De volgende code laat zien hoe u kunt groeperen op de kolommen ‚team‘ en ‚positie‘ en hoe u de gemiddelde passen kunt vinden:<\/span><\/p>\n De uitvoer vertelt ons:<\/span><\/p>\n Enzovoort.<\/span><\/p>\n We kunnen ook de volgende code gebruiken om de kolommen van het resulterende DataFrame te hernoemen:<\/span><\/p>\n Laten we aannemen dat we dezelfde panda’s DataFrame gebruiken als in het vorige voorbeeld:<\/span><\/p>\n De volgende code laat zien hoe je het mediaan- en maximumaantal rebounds kunt vinden, gegroepeerd in de kolommen ‚team‘ en ‚positie‘:<\/span><\/p>\n De uitvoer vertelt ons:<\/span><\/p>\n Enzovoort.<\/span><\/p>\n Hoe u een Pandas DataFrame op meerdere voorwaarden kunt filteren<\/a> Vaak wilt u mogelijk meerdere kolommen van een Panda DataFrame groeperen en samenvoegen. Gelukkig is dit eenvoudig te doen met de panda’s .groupby() en .agg() functies. In deze tutorial worden verschillende voorbeelden van praktisch gebruik van deze functies uitgelegd. Voorbeeld 1: Groepeer op twee kolommen en vind het gemiddelde Stel dat we de volgende panda’s […]<\/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-984","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Voorbeeld 1: Groepeer op twee kolommen en vind het gemiddelde<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd.DataFrame({'team': ['A', 'B', 'B', 'B', 'B', 'M', 'M', 'M'],\n 'position': ['G', 'G', 'F', 'G', 'F', 'F', 'C', 'C'],\n 'assists': [5, 7, 7, 8, 5, 7, 6, 9],\n 'rebounds': [11, 8, 10, 6, 6, 9, 6, 10]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n team position assists rebounds\n0 AG 5 11\n1 BG 7 8\n2 BF 7 10\n3 BG 8 6\n4 BF 5 6\n5 MF 7 9\n6 MC 6 6\n7 MC 9 10\n<\/strong><\/pre>\n df. groupby<\/span> (['team', 'position']). agg<\/span> ({'assists': ['mean']}). reset_index<\/span> ()\n\n\n team position assists\n mean\n0 A G 5.0\n1 B F 6.0\n2 B G 7.5\n3 M C 7.5\n4M F 7.0\n<\/strong><\/pre>\n\n
#group by team and position and find mean assists<\/span>\nnew = df. groupby<\/span> (['team', 'position']). agg<\/span> ({'assists': ['mean']}). reset_index<\/span> ()\n\n#rename columns<\/span>\nnew.columns = ['team', 'pos', 'mean_assists']\n\n#view DataFrame<\/span>\nprint<\/span> (new)\n\n\tteam pos mean_assists\n0 A G 5.0\n1 B F 6.0\n2 B G 7.5\n3 M C 7.5\n4M F 7.0<\/strong><\/pre>\n Voorbeeld 2: Groepeer op twee kolommen en vind meerdere statistieken<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd.DataFrame({'team': ['A', 'B', 'B', 'B', 'B', 'M', 'M', 'M'],\n 'position': ['G', 'G', 'F', 'G', 'F', 'F', 'C', 'C'],\n 'assists': [5, 7, 7, 8, 5, 7, 6, 9],\n 'rebounds': [11, 8, 10, 6, 6, 9, 6, 10]})<\/strong><\/pre>\n df. groupby<\/span> (['team', 'position']). agg<\/span> ({'rebounds': ['median', 'max']}). reset_index<\/span> ()\n\n\n team position rebounds\n median max\n0 A G 11 11\n1 B F 8 10\n2 B G 7 8\n3 M C 8 10\n4 M F 9 9\n<\/strong><\/pre>\n\n
Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe ontbrekende waarden in een Pandas DataFrame te tellen<\/a>
Hoe meerdere Panda’s DataFrames te stapelen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"