So verwenden Sie die Funktion pivot_table für die erweiterte Datenzusammenfassung in Pandas

Bild vom Autor | Midjourney

Ich zeige Ihnen, wie Sie die Pandas verwenden pivot_table Funktion für Ihre Datenzusammenfassung.

Vorbereitung

Beginnen wir mit der Set up der erforderlichen Pakete.

pip set up pandas seaborn

Anschließend laden wir die Pakete und das Datensatzbeispiel, nämlich Titanic.

import pandas as pd
import seaborn as sns

titanic = sns.load_dataset('titanic')

Fahren wir mit dem nächsten Abschnitt fort, nachdem das Paket erfolgreich installiert und der Datensatz geladen wurde.

Pivot-Tabelle mit Pandas

Pivot-Tabellen in Pandas ermöglichen eine versatile Neuorganisation und Analyse von Daten. Sehen wir uns einige praktische Anwendungen an und beginnen wir mit der einfachen.

pivot = pd.pivot_table(titanic, values="age", index='class', columns="intercourse", aggfunc="imply")
print(pivot)

Output>>>
intercourse        feminine       male
class                       
First   34.611765  41.281386
Second  28.722973  30.740707
Third   21.750000  26.507589

Die resultierende Pivot-Tabelle zeigt das Durchschnittsalter mit den Passagierklassen auf der vertikalen Achse und den Geschlechterkategorien oben.

Mit der Pivot-Tabelle können wir sogar noch weiter gehen und sowohl den Mittelwert als auch die Summe der Fahrpreise berechnen.

pivot = pd.pivot_table(titanic, values="fare", index='class', columns="intercourse", aggfunc=('imply', 'sum'))
print(pivot)

Output>>>
             imply                   sum           
intercourse         feminine       male     feminine       male
class                                              
First   106.125798  67.226127  9975.8250  8201.5875
Second   21.970121  19.741782  1669.7292  2132.1125
Third    16.118810  12.661633  2321.1086  4393.5865

Wir können unsere Funktion erstellen. Beispielsweise erstellen wir eine Funktion, die die Differenzen zwischen den Maximal- und Minimalwerten der Daten nimmt und durch zwei dividiert.

def data_div_two(x):
    return (x.max() - x.min())/2

pivot = pd.pivot_table(titanic, values="age", index='class', columns="intercourse", aggfunc=data_div_two)
print(pivot)

Output>>>
intercourse     feminine    male
class                 
First   30.500  39.540
Second  27.500  34.665
Third   31.125  36.790

Zuletzt können Sie die Margen hinzufügen, um die Unterschiede zwischen dem Gesamtgruppierungsdurchschnitt und der spezifischen Untergruppe anzuzeigen.

pivot = pd.pivot_table(titanic, values="age", index='class', columns="intercourse", aggfunc="imply", margins=True)
print(pivot)

Output>>>
intercourse        feminine       male        All
class                                  
First   34.611765  41.281386  38.233441
Second  28.722973  30.740707  29.877630
Third   21.750000  26.507589  25.140620
All     27.915709  30.726645  29.699118

Beherrschung der pivot_table Funktion würde es Ihnen ermöglichen, Erkenntnisse aus Ihrem Datensatz zu gewinnen.

Zusätzliche Ressourcen

Cornellius Yudha Wijaya ist Knowledge Science Assistant Supervisor und Datenautor. Während seiner Vollzeitbeschäftigung bei Allianz Indonesien teilt er gerne Python- und Datentipps über soziale Medien und in den Medien. Cornellius schreibt über eine Vielzahl von KI- und maschinellen Lernthemen.