<\/p>\n
Mo\u017cesz u\u017cy\u0107 funkcji opisu()<\/strong> do wygenerowania statystyk opisowych dla zmiennych w ramce DataFrame pandy.<\/span><\/p>\n Aby u\u017cywa\u0107 funkcji opisu()<\/strong> z funkcj\u0105 groupby()<\/strong> w pandach, mo\u017cesz u\u017cy\u0107 nast\u0119puj\u0105cej podstawowej sk\u0142adni:<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje, jak zastosowa\u0107 t\u0119 sk\u0142adni\u0119 w praktyce.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce mamy nast\u0119puj\u0105c\u0105 ramk\u0119 danych pand, kt\u00f3ra zawiera informacje o koszykarzach z dw\u00f3ch r\u00f3\u017cnych dru\u017cyn:<\/span><\/p>\n Mo\u017cemy u\u017cy\u0107 funkcji opisu()<\/strong> wraz z funkcj\u0105 groupby()<\/strong> w celu podsumowania warto\u015bci w kolumnie punkt\u00f3w<\/strong> dla ka\u017cdego zespo\u0142u<\/strong> :<\/span><\/p>\n Z wyniku mo\u017cemy zobaczy\u0107 nast\u0119puj\u0105ce warto\u015bci zmiennej punktowej<\/strong> dla ka\u017cdej dru\u017cyny:<\/span><\/p>\n Je\u015bli chcesz, aby wyniki by\u0142y wy\u015bwietlane w formacie DataFrame, mo\u017cesz u\u017cy\u0107 argumentu reset_index()<\/strong> :<\/span><\/p>\n Zmienna zespo\u0142u<\/strong> jest teraz kolumn\u0105 w DataFrame, a warto\u015bci indeksu to 0 i 1.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe operacje na pandach:<\/span><\/p>\n Pandy: jak obliczy\u0107 skumulowan\u0105 sum\u0119 na grup\u0119<\/a> Mo\u017cesz u\u017cy\u0107 funkcji opisu() do wygenerowania statystyk opisowych dla zmiennych w ramce DataFrame pandy. Aby u\u017cywa\u0107 funkcji opisu() z funkcj\u0105 groupby() w pandach, mo\u017cesz u\u017cy\u0107 nast\u0119puj\u0105cej podstawowej sk\u0142adni: df. groupby (’ group_var ’)[’ values_var ’]. describe () Poni\u017cszy przyk\u0142ad pokazuje, jak zastosowa\u0107 t\u0119 sk\u0142adni\u0119 w praktyce. Przyk\u0142ad: u\u017cyj funkcji opisania() wed\u0142ug grupy w Pandach Za\u0142\u00f3\u017cmy, […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-3575","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n df. groupby<\/span> (' group_var<\/span> ')[' values_var<\/span> ']. describe<\/span> ()\n<\/strong><\/span><\/pre>\n Przyk\u0142ad: u\u017cyj funkcji opisania() wed\u0142ug grupy w Pandach<\/strong><\/span><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd. DataFrame<\/span> ({' team<\/span> ': ['A', 'A', 'A', 'A', 'B', 'B', 'B', 'B'],\n ' points<\/span> ': [8, 12, 14, 14, 15, 22, 27, 24],\n ' assists<\/span> ':[2, 2, 3, 5, 7, 6, 8, 12]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n team points assists\n0 to 8 2\n1 to 12 2\n2 to 14 3\n3 to 14 5\n4 B 15 7\n5 B 22 6\n6 B 27 8\n7 B 24 12<\/strong><\/span><\/pre>\n #summarize points by team\ndf. groupby<\/span> (' team<\/span> ')[' points<\/span> ']. describe<\/span> ()\n<\/span>\n<\/span>count mean std min 25% 50% 75% max\nteam\t\t\t\t\t\t\t\t\nA 4.0 12.0 2.828427 8.0 11.00 13.0 14.00 14.0\nB 4.0 22.0 5.099020 15.0 20.25 23.0 24.75 27.0<\/strong><\/pre>\n\n
#summarize points by team\ndf. groupby<\/span> (' team<\/span> ')[' points<\/span> ']. describe<\/span> (). reset_index<\/span> ()<\/span><\/span><\/strong>\n\n team count mean std min 25% 50% 75% max\n0 A 4.0 12.0 2.828427 8.0 11.00 13.0 14.00 14.0\n1 B 4.0 22.0 5.099020 15.0 20.25 23.0 24.75 27.0\n<\/strong><\/span><\/pre>\n Dodatkowe zasoby<\/strong><\/span><\/h2>\n
Pandy: jak liczy\u0107 unikalne warto\u015bci wed\u0142ug grupy<\/a>
Pandy: jak obliczy\u0107 korelacj\u0119 wed\u0142ug grup<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"