GroupBy, Pengagregatan dan Jadual Pangsi
Ringkaskan data dengan operasi groupby dan jadual pangsi.
GroupBy, Pengagregatan dan Jadual Pangsi ialah pelajaran Python Academy percuma di CoddyKit. Ini ialah pelajaran 3 daripada 4. Anda boleh membaca keseluruhan pelajaran di bawah secara percuma — kemudian berlatih secara praktikal dalam pelayar menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Python Academy, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Python Academy merangkumi sejumlah 4 pelajaran.
Asas groupby
df.groupby("col") membahagikan DataFrame kepada kumpulan berdasarkan nilai unik lajur tersebut. Rantaikan fungsi agregasi untuk mendapatkan hasil.
import pandas as pd
df = pd.DataFrame({
"dept":["HR","IT","HR","IT","HR"],
"salary":[60,80,65,90,70]
})
print(df.groupby("dept")["salary"].mean())
# HR 65.0
# IT 85.0Berbilang Fungsi Agregasi
Gunakan agg() untuk menggunakan berbilang fungsi agregasi serentak.
import pandas as pd
df = pd.DataFrame({"dept":["HR","IT","HR","IT"],"sal":[60,80,65,90]})
result = df.groupby("dept")["sal"].agg(["mean","max","count"])
print(result)Agregasi Bernama
Gunakan argumen kata kunci dalam agg() untuk menamakan lajur output secara eksplisit (Pandas 0.25+).
import pandas as pd
df = pd.DataFrame({"dept":["HR","IT","HR","IT"],"sal":[60,80,65,90]})
result = df.groupby("dept").agg(
avg_sal=("sal","mean"),
max_sal=("sal","max"),
count=("sal","size")
)
print(result)groupby pada Berbilang Lajur
Hantar senarai lajur untuk mencipta kumpulan berhierarki.
import pandas as pd
df = pd.DataFrame({
"year":[2023,2023,2024,2024],
"dept":["HR","IT","HR","IT"],
"sal":[60,80,65,90]
})
print(df.groupby(["year","dept"])["sal"].sum())transform()
transform mengembalikan Series yang dijajarkan dengan indeks asal — berguna untuk menambah statistik peringkat kumpulan kembali ke DataFrame asal.
import pandas as pd
df = pd.DataFrame({"dept":["HR","IT","HR","IT"],"sal":[60,80,65,90]})
df["dept_avg"] = df.groupby("dept")["sal"].transform("mean")
print(df)filter()
filter(func) mengekalkan hanya kumpulan yang fungsinya mengembalikan True.
import pandas as pd
df = pd.DataFrame({"dept":["HR","IT","HR"],"sal":[60,80,65]})
# Keep only departments with mean salary > 70:
result = df.groupby("dept").filter(lambda g: g["sal"].mean() > 70)
print(result)pivot_table
pd.pivot_table mencipta ringkasan bergaya hamparan dengan agregasi tersuai.
import pandas as pd
df = pd.DataFrame({
"year":[2023,2023,2024,2024],
"region":["East","West","East","West"],
"sales":[100,150,120,200]
})
pt = pd.pivot_table(df, values="sales",
index="year", columns="region",
aggfunc="sum")
print(pt)crosstab
pd.crosstab mengira tabulasi silang — berguna untuk mengira gabungan nilai kategori.
import pandas as pd
df = pd.DataFrame({"gender":["M","F","M","F","M"],"result":["pass","pass","fail","fail","pass"]})
print(pd.crosstab(df["gender"], df["result"]))apply()
apply(func) menggunakan fungsi tersuai pada DataFrame setiap kumpulan (axis=0) atau pada setiap baris/lajur (axis=1).
import pandas as pd
df = pd.DataFrame({"dept":["HR","IT","HR"],"sal":[60,80,65]})
def range_sal(g):
return g["sal"].max() - g["sal"].min()
print(df.groupby("dept").apply(range_sal))unstack untuk Pembentukan Semula
Selepas groupby berbilang peringkat, gunakan unstack() untuk memindahkan tahap indeks paling dalam ke dalam lajur.
import pandas as pd
df = pd.DataFrame({"year":[2023,2023,2024],"dept":["HR","IT","HR"],"sal":[60,80,65]})
result = df.groupby(["year","dept"])["sal"].mean().unstack()
print(result)Resample untuk Siri Masa
resample("M") mengumpulkan DataFrame siri masa mengikut tempoh kalendar, sekali gus membolehkan agregasi bulanan/tahunan.
import pandas as pd
idx = pd.date_range("2024-01-01", periods=90, freq="D")
df = pd.DataFrame({"sales": range(90)}, index=idx)
monthly = df.resample("ME").sum()
print(monthly)Semakan Pantas
Apakah yang dikembalikan oleh groupby().transform("mean")?
Imbas Kembali
groupby membahagikan data kepada kumpulan untuk agregasi. Gunakan agg() untuk berbilang fungsi, transform() untuk menyebarkan statistik kumpulan kembali, filter() untuk mengalih keluar kumpulan, serta pivot_table()/crosstab() untuk ringkasan merentas dimensi.
Pelajari Python dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 76
- Pelajaran
- 320
Soalan Lazim
Adakah pelajaran “GroupBy, Pengagregatan dan Jadual Pangsi” percuma?
Ya — teks penuh “GroupBy, Pengagregatan dan Jadual Pangsi” boleh dibaca secara percuma di web ini. Untuk berlatih secara interaktif menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7, serta membuka kunci baki kursus Python Academy, tingkat taraf kepada CoddyKit PRO. Kursus Python Academy merangkumi sejumlah 4 pelajaran.
Apakah yang akan saya pelajari dalam “GroupBy, Pengagregatan dan Jadual Pangsi”?
Ringkaskan data dengan operasi groupby dan jadual pangsi. Anda berlatih Python Academy menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Python Academy?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Python Academy di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 3 daripada 4.
Berapa lamakah pelajaran “GroupBy, Pengagregatan dan Jadual Pangsi” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Python Academy ini?
Ya. Setiap pelajaran Python Academy menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- Asas Series dan DataFrame
- Pengindeksan, Penapisan dan Topeng Boolean
- GroupBy, Pengagregatan dan Jadual Pangsi
- Penggabungan, Penyatuan dan Pembersihan Data