利用Pandas高效实现数据列转统计
在数据分析中，经常需要对数据进行灵活的重组和统计分析。例如，将包含日期和类型的数据集转换为每日不同类型计数的统计表。本文将演示如何使用Pandas库高效地完成此类操作。
假设我们有一个包含’date’（日期）和’type’（类型）两列的数据框（DataFrame），数据示例如下：
date type2024-01-01 12024-01-01 22024-01-01 12024-01-02 32024-01-02 22024-01-02 32024-01-02 12024-01-02 12024-01-03 12024-01-03 42024-01-03 22024-01-03 5...
目标是将数据转换为如下格式，显示每种类型在每一天的计数：
date type1 type2 type3 type4 type52024-01-01 2 1 0 0 02024-01-02 2 1 2 0 02024-01-03 1 1 0 1 1...
我们可以利用Pandas的pd.get_dummies()和groupby()函数组合实现这一目标。以下是Python代码：
import pandas as pd# 示例数据data = { 'date': ['2024-01-01', '2024-01-01', '2024-01-01', '2024-01-02', '2024-01-02', '2024-01-02', '2024-01-02', '2024-01-02', '2024-01-03', '2024-01-03', '2024-01-03', '2024-01-03'], 'type': [1, 2, 1, 3, 2, 3, 1, 1, 1, 4, 2, 5]}df = pd.DataFrame(data)# 使用get_dummies()进行one-hot编码df_encoded = pd.get_dummies(df, columns=['type'], prefix='type')# 使用groupby()和sum()进行分组统计result = df_encoded.groupby('date').sum()# 打印结果print(df_encoded)print("-" * 60)print(result)
代码首先使用pd.get_dummies()将’type’列转换为虚拟变量，然后使用groupby('date').sum()对日期进行分组并对每个类型进行求和，最终得到目标统计表。
输出结果类似于：
date type_1 type_2 type_3 type_4 type_50 2024-01-01 1 0 0 0 01 2024-01-01 0 1 0 0 02 2024-01-01 1 0 0 0 03 2024-01-02 0 0 1 0 04 2024-01-02 0 1 0 0 05 2024-01-02 0 0 1 0 06 2024-01-02 1 0 0 0 07 2024-01-02 1 0 0 0 08 2024-01-03 1 0 0 0 09 2024-01-03 0 0 0 1 010 2024-01-03 0 1 0 0 011 2024-01-03 0 0 0 0 1------------------------------------------------------------ type_1 type_2 type_3 type_4 type_5date 2024-01-01 2 1 0 0 02024-01-02 2 1 2 0 02024-01-03 1 1 0 1 1
通过这个简洁的代码，我们可以轻松地完成Pandas数据列转统计，提高数据分析效率。
以上就是如何使用Pandas实现数据的列转统计？的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1359931.html
微信扫一扫 
支付宝扫一扫 
