Apprendre Gestion des Tableaux Croisés Dynamiques

Python possède un équivalent de la méthode .groupby() qui peut aboutir au même résultat. Le choix de la fonction à utiliser vous appartient. Examinons cela à l'aide d'un exemple. En utilisant la fonction suivante, appelée .pivot_table(), nous allons calculer les valeurs moyennes de la colonne 'Length' ayant la même valeur dans la colonne 'Flight' :


              123456789101112131415
            
import pandas as pd

data = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/plane', index_col = 0)

# The code using .groupby()
data_flights_1 = data[['Length', 'Flight']].groupby('Flight').mean()
# The same code using .groupby()
data_flights_2 = data[['Length', 'Flight']].groupby('Flight').agg('mean')

# The same code using .pivot_table()
data_flights_3 = pd.pivot_table(data, values = 'Length',
                      index = 'Flight',
                      aggfunc = 'mean')

print(data_flights_1.head())

Explication :

data = pd.pivot_table(data, values = 'Length',
                      index = 'Flight',
                      aggfunc = 'mean')

pd.pivot_table() : fonction qui crée des tableaux croisés dynamiques ;
data : DataFrame utilisé ;
values = 'Length' : à l’argument values, on assigne les colonnes ayant le même groupe, pour lesquelles sera appliqué le calcul de la moyenne, du maximum, etc. Pour regrouper par plusieurs colonnes, placez-les dans une liste ; l’ordre n’est pas important ;
index = 'Flight' : index est un argument auquel on assigne le nom d’une colonne ou de plusieurs colonnes à regrouper. Pour regrouper par plusieurs colonnes, placez-les dans une liste ; l’ordre est important, comme dans la fonction .groupby() ;
aggfunc = 'mean' : identique à agg dans la méthode .groupby(), aggfunc possède exactement la même syntaxe que agg. Il est donc possible d’indiquer plusieurs fonctions en les plaçant dans une liste, afin de spécifier des fonctions pour différentes colonnes à l’aide d’accolades.

Voici un exemple de code utilisant l’instruction .groupby(). Veuillez choisir l’analogue utilisant la fonction .pivot_table().

Select the correct answer

data_flights = pd.pivot_table(data, 
    values = ['AirportFrom', 'AirportTo'],
    index = ['Length', 'Time'],
    aggfunc = 'min'
)

data_flights = pd.pivot_table(data, 
    values = ['AirportTo', 'AirportFrom'],
    index = ['Length', 'Time'],
    aggfunc = 'mean'
)

data_flights = pd.pivot_table(data, 
    values = 'AirportTo', 'AirportFrom',
    index = ['Length', 'Time'],
    aggfunc = 'min'
)

Tout était clair ?

Merci pour vos commentaires !

Section 4. Chapitre 5

Demandez à l'IA

Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion

Suggested prompts:

Can you explain the difference between .groupby() and .pivot_table() in more detail?

What other aggregation functions can I use with .pivot_table()?

How can I group by multiple columns using .pivot_table()?

Glissez pour afficher le menu


              123456789101112131415
            
import pandas as pd

data = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/plane', index_col = 0)

# The code using .groupby()
data_flights_1 = data[['Length', 'Flight']].groupby('Flight').mean()
# The same code using .groupby()
data_flights_2 = data[['Length', 'Flight']].groupby('Flight').agg('mean')

# The same code using .pivot_table()
data_flights_3 = pd.pivot_table(data, values = 'Length',
                      index = 'Flight',
                      aggfunc = 'mean')

print(data_flights_1.head())