<\/p>\n
Mo\u017cesz u\u017cy\u0107 nast\u0119puj\u0105cej podstawowej sk\u0142adni, aby utworzy\u0107 tabel\u0119 cz\u0119sto\u015bci w pandach na podstawie wielu kolumn:<\/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 nazwie dru\u017cyny, pozycji i punktach zdobytych przez r\u00f3\u017cnych koszykarzy:<\/span><\/p>\n Za pomoc\u0105 funkcji value_counts()<\/strong> mo\u017cemy stworzy\u0107 tabel\u0119 cz\u0119sto\u015bci pokazuj\u0105c\u0105 wyst\u0119powanie ka\u017cdej kombinacji warto\u015bci w kolumnach zespo\u0142u<\/strong> i pozycji<\/strong> :<\/span><\/p>\n Z wynik\u00f3w mo\u017cemy zobaczy\u0107:<\/span><\/p>\n Zauwa\u017c, \u017ce zamiast tego mo\u017cemy u\u017cy\u0107 reset_index()<\/strong> do zwr\u00f3cenia ramki DataFrame:<\/span><\/p>\n Mo\u017cemy u\u017cy\u0107 funkcji rename()<\/strong> , aby zmieni\u0107 nazw\u0119 kolumny zawieraj\u0105cej liczniki:<\/span><\/p>\n Efektem ko\u0144cowym jest DataFrame, kt\u00f3ra zawiera cz\u0119stotliwo\u015b\u0107 ka\u017cdej unikalnej kombinacji warto\u015bci w kolumnach Zesp\u00f3\u0142<\/strong> i Pozycja<\/strong> .<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe zadania w pandach:<\/span><\/p>\n Pandy: Jak korzysta\u0107 z GroupBy i liczenia warto\u015bci<\/a> Mo\u017cesz u\u017cy\u0107 nast\u0119puj\u0105cej podstawowej sk\u0142adni, aby utworzy\u0107 tabel\u0119 cz\u0119sto\u015bci w pandach na podstawie wielu kolumn: df. value_counts ([’ column1 ’,’ column2 ’]) Poni\u017cszy przyk\u0142ad pokazuje, jak zastosowa\u0107 t\u0119 sk\u0142adni\u0119 w praktyce. Przyk\u0142ad: Utw\u00f3rz tabel\u0119 cz\u0119sto\u015bci w Pandach w oparciu o wiele kolumn Za\u0142\u00f3\u017cmy, \u017ce mamy nast\u0119puj\u0105c\u0105 ramk\u0119 danych pand, kt\u00f3ra zawiera informacje o nazwie dru\u017cyny, […]<\/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-4041","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n df. value_counts<\/span> ([' column1<\/span> ',' column2<\/span> '])\n<\/strong><\/pre>\n Przyk\u0142ad: Utw\u00f3rz tabel\u0119 cz\u0119sto\u015bci w Pandach w oparciu o wiele kolumn<\/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 ' position<\/span> ': ['G', 'G', 'G', 'F', 'G', 'G', 'F', 'F'],\n ' points<\/span> ': [24, 33, 20, 15, 16, 16, 29, 25]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n team position points\n0 AG 24\n1 AG 33\n2 AG 20\n3 AF15\n4 BG 16\n5 BG 16\n6 BF 29\n7 BF 25<\/strong><\/pre>\n #count frequency of values in team and position columns\ndf. value_counts<\/span> ([' team<\/span> ',' position<\/span> '])\n\nteam position\nGA 3\nBF 2\n G2\nAF1\ndtype: int64<\/span><\/span>\n<\/strong><\/pre>\n\n
#count frequency of values in team and position columns and return DataFrame\ndf. value_counts<\/span> ([' team<\/span> ',' position<\/span> ']). reset_index<\/span> ()\n\n team position 0\n0 A G 3\n1 B F 2\n2 B G 2\n3 A F 1<\/span><\/span><\/strong><\/pre>\n #get frequency of values in team and position column and rename count column\n<\/span>df. value_counts<\/span> ([' team<\/span> ',' position<\/span> ']). reset_index<\/span> (). rename<\/span> (columns={0:' count<\/span> '})\n\n team position count\n0 A G 3\n1 B F 2\n2 B G 2\n3 A F 1\n<\/strong><\/pre>\n Dodatkowe zasoby<\/strong><\/span><\/h2>\n
Pandy: Jak korzysta\u0107 z GroupBy z liczb\u0105 pojemnik\u00f3w<\/a>
Pandy: Jak liczy\u0107 warto\u015bci w kolumnie z warunkiem<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"