Groupe de pandas est utilisé pour regrouper les données selon les catégories et appliquer une fonction aux catégories. Cela permet également de regrouper efficacement les données. Pandas groupby() est une fonction très puissante avec de nombreuses variantes. Cela rend la tâche de division du Dataframe selon certains critères vraiment simple et efficace.

Pandas dataframe.groupby()

Pandas dataframe.groupby() La fonction est utilisée pour diviser les données en groupes en fonction de certains critères. Pandas les objets peuvent être divisés sur n’importe lequel de leurs axes. La définition abstraite du regroupement est de fournir un mappage des étiquettes aux noms de groupe.

Syntaxe: DataFrame.groupby(by=Aucun, axis=0, level=Aucun, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs)

Paramètres :

• par : mappage, fonction, str ou itérable
• axe : int, par défaut 0
• niveau : Si l'axe est un MultiIndex (hiérarchique), regroupez par un ou plusieurs niveaux particuliers
• as_index : Pour une sortie agrégée, renvoyez l’objet avec des étiquettes de groupe comme index. Uniquement pertinent pour l'entrée DataFrame. as_index=False est effectivement une sortie groupée de style SQL
• trier : Trier les clés de groupe. Obtenez de meilleures performances en désactivant cette option. Notez que cela n’influence pas l’ordre des observations au sein de chaque groupe. groupby préserve l'ordre des lignes au sein de chaque groupe.
• group_keys : Lors de l'appel de apply, ajoutez des clés de groupe à l'index pour identifier les pièces
• presser : Réduisez la dimensionnalité du type de retour si possible, sinon renvoyez un type cohérent

Retour : Objet GroupBy

Ensemble de données utilisé : Pour un lien vers le fichier CSV utilisé dans le code, cliquez sur ici

Exemple 1: Utiliser par groupe() fonction pour regrouper les données en fonction de l’équipe.

Python3

liste des états

>

>

Sortir:

 Name Team Number Position Age Height Weight College Salary 0 Avery Bradley Boston Celtics 0.0 PG 25.0 6-2 180.0 Texas 7730337.0 1 Jae Crowder Boston Celtics 99.0 SF 25.0 6-6 235.0 Marquette 6796117.0 2 John Holland Boston Celtics 30.0 SG 27.0 6-5 205.0 Boston University NaN 3 R.J. Hunter Boston Celtics 28.0 SG 22.0 6-5 185.0 Georgia State 1148640.0 4 Jonas Jerebko Boston Celtics 8.0 PF 29.0 6-10 231.0 NaN 5000000.0>

Appliquez maintenant le par groupe() fonction.

Python3

>

gigaoctet contre mégaoctet

>

Sortir :

 Name Number Position Age Height Weight College Salary Team  Atlanta Hawks Kent Bazemore 24.0 SF 26.0 6-5 201.0 Old Dominion 2000000.0  Boston Celtics Avery Bradley 0.0 PG 25.0 6-2 180.0 Texas 7730337.0 Brooklyn Nets Bojan Bogdanovic 44.0 SG 27.0 6-8 216.0 Oklahoma State 3425510.0 Charlotte Hornets Nicolas Batum 5.0 SG 27.0 6-8 200.0 Virginia Commonwealth 13125306.0 Chicago Bulls Cameron Bairstow 41.0 PF 25.0 6-9 250.0 New Mexico 845059.0 Cleveland Cavaliers Matthew Dellavedova 8.0 PG 25.0 6-4 198.0 Saint Mary's 1147276.0 Dallas Mavericks Justin Anderson 1.0 SG 22.0 6-6 228.0 Virginia 1449000.0 Denver Nuggets Darrell Arthur 0.0 PF 28.0 6-9 235.0 Kansas 2814000.0 Detroit Pistons Joel Anthony 50.0 C 33.0 6-9 245.0 UNLV 2500000.0 Golden State Warriors Leandro Barbosa 19.0 SG 33.0 6-3 194.0 North Carolina 2500000.0 Houston Rockets Trevor Ariza 1.0 SF 30.0 6-8 215.0 UCLA 8193030.0 Indiana Pacers Lavoy Allen 5.0 PF 27.0 6-9 255.0 Temple 4050000.0 Los Angeles Clippers Cole Aldrich 45.0 C 27.0 6-11 250.0 Kansas 1100602.0 Los Angeles Lakers Brandon Bass 2.0 PF 31.0 6-8 250.0 LSU 3000000.0 Memphis Grizzlies Jordan Adams 3.0 SG 21.0 6-5 209.0 UCLA 1404600.0 Miami Heat Chris Bosh 1.0 PF 32.0 6-11 235.0 Georgia Tech 22192730.0 Milwaukee Bucks Giannis Antetokounmpo 34.0 SF 21.0 6-11 222.0 Arizona 1953960.0>

Imprimons la valeur contenue dans l’un des groupes. Pour cela utilisez le nom de l'équipe. Nous utilisons la fonction get_group() pour rechercher les entrées contenues dans l'un des groupes.

Python3

>

>

Sortir :

 Name Team Number Position Age Height Weight College Salary 0 Avery Bradley Boston Celtics 0.0 PG 25.0 6-2 180.0 Texas 7730337.0 1 Jae Crowder Boston Celtics 99.0 SF 25.0 6-6 235.0 Marquette 6796117.0 2 John Holland Boston Celtics 30.0 SG 27.0 6-5 205.0 Boston University NaN 3 R.J. Hunter Boston Celtics 28.0 SG 22.0 6-5 185.0 Georgia State 1148640.0  4 Jonas Jerebko Boston Celtics 8.0 PF 29.0 6-10 231.0 NaN 5000000.0  5 Amir Johnson Boston Celtics 90.0 PF 29.0 6-9 240.0 NaN 12000000.0  6 Jordan Mickey Boston Celtics 55.0 PF 21.0 6-8 235.0 LSU 1170960.0  7 Kelly Olynyk Boston Celtics 41.0 C 25.0 7-0 238.0 Gonzaga 2165160.0  8 Terry Rozier Boston Celtics 12.0 PG 22.0 6-2 190.0 Louisville 1824360.0  9 Marcus Smart Boston Celtics 36.0 PG 22.0 6-4 220.0 Oklahoma State 3431040.0  10 Jared Sullinger Boston Celtics 7.0 C 24.0 6-9 260.0 Ohio State 2569260.0 11 Isaiah Thomas Boston Celtics 4.0 PG 27.0 5-9 185.0 Washington 6912869.0  12 Evan Turner Boston Celtics 11.0 SG 27.0 6-7 220.0 Ohio State 3425510.0 13 James Young Boston Celtics 13.0 SG 20.0 6-6 215.0 Kentucky 1749840.0  14 Tyler Zeller Boston Celtics 44.0 C 26.0 7-0 253.0 North Carolina 2616975.0>

Exemple 2 : Utiliser par groupe() fonction pour former des groupes basés sur plus d’une catégorie (c’est-à-dire utiliser plus d’une colonne pour effectuer le fractionnement).

Python3

tri des bulles Java

>

>

Sortir :

 Name Number Age Height Weight College Salary Team Position  Atlanta Hawks C Al Horford 15.0 30.0 6-10 245.0 Florida 12000000.0   PF Kris Humphries 43.0 31.0 6-9 235.0 Minnesota 1000000.0   PG Dennis Schroder 17.0 22.0 6-1 172.0 Wake Forest 1763400.0   SF Kent Bazemore 24.0 26.0 6-5 201.0 Old Dominion 2000000.0   SG Tim Hardaway Jr. 10.0 24.0 6-6 205.0 Michigan 1304520.0  ... ... ... ... ... ... ... ... Washington Wizards C Marcin Gortat 13.0 32.0 6-11 240.0 North Carolina State 11217391.0   PF Drew Gooden 90.0 34.0 6-10 250.0 Kansas 3300000.0   PG Ramon Sessions 7.0 30.0 6-3 190.0 Nevada 2170465.0   SF Jared Dudley 1.0 30.0 6-7 225.0 Boston College 4375000.0   SG Alan Anderson 6.0 33.0 6-6 220.0 Michigan State 4000000.0>