{"id":3199,"date":"2023-07-18T17:44:30","date_gmt":"2023-07-18T17:44:30","guid":{"rendered":"https:\/\/statorials.org\/pt\/transformacao-groupby-do-pandas\/"},"modified":"2023-07-18T17:44:30","modified_gmt":"2023-07-18T17:44:30","slug":"transformacao-groupby-do-pandas","status":"publish","type":"post","link":"https:\/\/statorials.org\/pt\/transformacao-groupby-do-pandas\/","title":{"rendered":"Como usar as fun\u00e7\u00f5es groupby() e transform() no pandas"},"content":{"rendered":"

<\/p>\n

\n

Voc\u00ea pode usar os seguintes m\u00e9todos para usar as fun\u00e7\u00f5es groupby()<\/strong> e transform()<\/strong> juntas em um DataFrame do pandas:<\/span><\/p>\n

M\u00e9todo 1: Use groupby() e transform() com fun\u00e7\u00e3o integrada<\/strong><\/span><\/p>\n

 df[' new<\/span> '] = df. groupby<\/span> (' group_var<\/span> ')[' value_var<\/span> ']. transform<\/span> (' mean<\/span> ')\n<\/strong><\/pre>\n
 M\u00e9todo 2: use groupby() e transform() com uma fun\u00e7\u00e3o personalizada<\/strong><\/span><\/p>\n
 df[' new<\/span> '] = df. groupby<\/span> (' group_var<\/span> ')[' value_var<\/span> ']. transform<\/span> ( lambda<\/span> x: some function)<\/strong><\/pre>\n
 Os exemplos a seguir mostram como usar cada m\u00e9todo na pr\u00e1tica com o seguinte DataFrame do pandas:<\/span><\/p>\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> ': [30, 22, 19, 14, 14, 11, 20, 28]})\n\n#view DataFrame\nprint<\/span><\/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<\/b><\/pre>\n
 Exemplo 1: Use groupby() e transform() com fun\u00e7\u00e3o integrada<\/strong><\/span><\/h3>\n
 O c\u00f3digo a seguir mostra como usar as fun\u00e7\u00f5es groupby(<\/strong> ) e transform()<\/strong> para adicionar uma nova coluna ao DataFrame chamada mean_points:<\/span><\/p>\n
 #create new column called mean_points\ndf[' mean_points<\/span> '] = df. groupby<\/span> (' team<\/span> ')[' points<\/span> ']. transform<\/span> (' mean<\/span> ')\n<\/span>\n#view updated DataFrame\nprint<\/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<\/span><\/span><\/strong><\/pre>\n
 O valor m\u00e9dio de pontos dos jogadores do Time A foi de 21,25<\/strong> e o valor m\u00e9dio de pontos dos jogadores do Time B foi de 18,25<\/strong> , portanto esses valores foram atribu\u00eddos de acordo a cada jogador em uma nova coluna.<\/span><\/p>\n
 Observe que tamb\u00e9m poder\u00edamos usar outra fun\u00e7\u00e3o integrada, como sum()<\/strong> , para criar uma nova coluna exibindo a soma dos pontos marcados para cada equipe:<\/span><\/p>\n
 #create new column called sum_points\ndf[' sum_points<\/span> '] = df. groupby<\/span> (' team<\/span> ')[' points<\/span> ']. transform<\/span> (' sum<\/span> ')\n<\/span>\n#view updated DataFrame\nprint<\/span> (df)\n\n  team points sum_points\n0 to 30 85\n1 to 22 85\n2 A 19 85\n3 to 14 85\n4 B 14 73\n5 B 11 73\n6 B 20 73\n7 B 28 73<\/span><\/span><\/strong><\/pre>\n
 A soma dos pontos dos jogadores da equipe A foi 85<\/b> e a soma dos pontos dos jogadores da equipe B foi 73<\/strong> , portanto esses valores foram atribu\u00eddos de acordo com cada jogador em uma nova coluna.<\/span><\/p>\n
 Exemplo 2: Use groupby() e transform() com uma fun\u00e7\u00e3o personalizada<\/strong><\/span><\/h3>\n
 O c\u00f3digo a seguir mostra como usar as fun\u00e7\u00f5es groupby(<\/strong> ) e transform()<\/strong> para criar uma fun\u00e7\u00e3o personalizada que calcula a porcentagem do total de pontos marcados por cada jogador em suas respectivas equipes:<\/span><\/p>\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
 Veja como interpretar o resultado:<\/span><\/span><\/p>\n