技术标签: python java 数据分析 机器学习 大数据
A pivot table is a table of statistics that summarizes the data of a more extensive table. The summary of data is reached through various aggregate functions – sum, average, min, max, etc.
数据透视表是统计表,汇总了更广泛的表的数据。 数据汇总可通过各种汇总函数获得-总和,平均值,最小值,最大值等。
A pivot table is a data processing technique to derive useful information from a table.
数据透视表是一种从表中获取有用信息的数据处理技术。
Pandas pivot_table() function is used to create pivot table from a DataFrame object. We can generate useful information from the DataFrame rows and columns. The pivot_table() function syntax is:
熊猫的pivot_table()函数用于从DataFrame对象创建数据透视表。 我们可以从DataFrame的行和列中生成有用的信息。 ivot_table()函数的语法为:
def pivot_table(
data,
values=None,
index=None,
columns=None,
aggfunc="mean",
fill_value=None,
margins=False,
dropna=True,
margins_name="All",
observed=False,
)
It’s better to use real-life data to understand the actual benefit of pivot tables. I have downloaded a sample CSV file from this link. Here is the direct download link for the CSV file.
最好使用实际数据来了解数据透视表的实际好处。 我已经从此链接下载了示例CSV文件。 这是CSV文件的直接下载链接。
The CSV file is a listing of 1,460 company funding records reported by TechCrunch. The below image shows the sample data from the file.
CSV文件列出了TechCrunch报告的1,460家公司资金记录。 下图显示了文件中的样本数据。
We are interested in the columns – ‘company’, ‘city’, ‘state’, ‘raisedAmt’, and ’round’. Let’s create some pivot tables to generate useful statistics from this data.
我们对“公司”,“城市”,“州”,“ raisedAmt”和“回合”列感兴趣。 让我们创建一些数据透视表,以根据这些数据生成有用的统计信息。
Let’s try to create a pivot table for average funding by the state.
让我们尝试创建一个枢纽分析表,以了解各州的平均资助情况。
import pandas as pd
import numpy as np
df = pd.read_csv('TechCrunchcontinentalUSA.csv', usecols=['company', 'city', 'state', 'raisedAmt', 'round'])
print('DataFrame Records:\n', df.head(6))
# average funding by State
df1 = pd.pivot_table(df, values='raisedAmt', columns='state')
print('\nAverage Funding by State:\n', df1)
Output:
输出:
DataFrame Records:
company city state raisedAmt round
0 LifeLock Tempe AZ 6850000 b
1 LifeLock Tempe AZ 6000000 a
2 LifeLock Tempe AZ 25000000 c
3 MyCityFaces Scottsdale AZ 50000 seed
4 Flypaper Phoenix AZ 3000000 a
5 Infusionsoft Gilbert AZ 9000000 a
Average Funding by State:
state AZ CA ... VA WA
raisedAmt 5613750.0 1.072324e+07 ... 1.158261e+07 8.140103e+06
[1 rows x 33 columns]
We can also call pivot_table() function directly on the DataFrame object. The above pivot table can be generated using the below code snippet too.
我们还可以直接在DataFrame对象上调用ivot_table()函数。 上面的数据透视表也可以使用下面的代码段生成。
df1 = df.pivot_table(values='raisedAmt', columns='state')
The default aggregate function is numpy.mean
. We can specify the aggregate function as numpy.sum
to generate the total funding by the state.
默认的聚合函数是numpy.mean
。 我们可以将合计函数指定为numpy.sum
来生成州的总资金。
df1 = pd.pivot_table(df, values='raisedAmt', columns='state', aggfunc=np.sum)
print('\nTotal Funding by State:\n', df1)
Output:
输出:
Total Funding by State:
state AZ CA CO ... UT VA WA
raisedAmt 50523750 9361385000 126470000 ... 153080000 266400000 789590000
[1 rows x 33 columns]
df1 = pd.pivot_table(df, values='raisedAmt', columns='company', aggfunc=np.sum)
print('\nTotal Funding by Company:\n', df1)
Output:
输出:
Total Funding by Company:
company 23andMe 3Jam 4HomeMedia ... vbs tv x+1 xkoto
raisedAmt 9000000 4000000 2850000 ... 10000000 16000000 7500000
[1 rows x 909 columns]
Let’s try to create a pivot table for the average funding by round grouped by the state. The trick is to generate a pivot table with ’round’ as the index column.
让我们尝试创建一个按州分组的平均融资的数据透视表。 诀窍是生成一个以“ round”作为索引列的数据透视表。
df1 = pd.pivot_table(df, values='raisedAmt', columns='state', index='round')
print('\nAverage Funding by round in State:\n', df1)
Output:
输出:
Average Funding by round in State:
state AZ CA ... VA WA
round ...
a 6.000000e+06 7.158314e+06 ... 9910000.0 6.570476e+06
angel 2.337500e+05 1.006784e+06 ... NaN 8.935714e+05
b 6.850000e+06 1.238483e+07 ... 9850000.0 1.187826e+07
c 2.500000e+07 2.369708e+07 ... 19500000.0 1.592222e+07
d NaN 3.012188e+07 ... 20000000.0 8.500000e+06
debt_round NaN 1.660833e+07 ... NaN NaN
e NaN 3.132500e+07 ... NaN 2.200000e+07
seed 1.466667e+05 8.778214e+05 ... 350000.0 7.800000e+05
unattributed NaN 1.933000e+07 ... NaN 2.050000e+07
[9 rows x 33 columns]
df1 = pd.pivot_table(df, values='raisedAmt', columns='state', index='round', aggfunc=np.sum, fill_value=0)
print('\nTotal Funding by round in State:\n', df1)
Output:
输出:
Total Funding by round in State:
state AZ CA CO ... UT VA WA
round ...
a 18000000 2526885000 25650000 ... 31800000 99100000 275960000
angel 233750 74502000 3950000 ... 0 0 12510000
b 6850000 2898050000 66900000 ... 67200000 68950000 273200000
c 25000000 2109040000 28850000 ... 54000000 78000000 143300000
d 0 963900000 0 ... 0 20000000 17000000
debt_round 0 199300000 500000 ... 0 0 0
e 0 250600000 0 ... 0 0 44000000
seed 440000 49158000 620000 ... 80000 350000 3120000
unattributed 0 289950000 0 ... 0 0 20500000
[9 rows x 33 columns]
Let’s look at a more complex example. We will create a pivot table of total funding per company per round, state wise.
让我们看一个更复杂的例子。 我们将在州级明智的情况下创建每个公司每轮总资金的数据透视表。
df1 = pd.pivot_table(df, values='raisedAmt', columns='state', index=['company', 'round'], aggfunc=np.sum, fill_value=0)
print('\nTotal Funding by company and round in State:\n', df1)
Output:
输出:
Total Funding by round in State:
state AZ CA CO CT DC FL GA ... PA RI TN TX UT VA WA
company round ...
23andMe a 0 9000000 0 0 0 0 0 ... 0 0 0 0 0 0 0
3Jam a 0 4000000 0 0 0 0 0 ... 0 0 0 0 0 0 0
4HomeMedia a 0 2850000 0 0 0 0 0 ... 0 0 0 0 0 0 0
5min a 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0
angel 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0
... .. ... .. .. .. .. .. ... .. .. .. .. .. .. ..
uber b 0 7600000 0 0 0 0 0 ... 0 0 0 0 0 0 0
utoopia seed 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0
vbs tv seed 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0
x+1 a 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0
xkoto b 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0
[1405 rows x 33 columns]
翻译自: https://www.journaldev.com/33521/pandas-pivot_table-dataframe-data-analysis
文章浏览阅读104次。跟一夫学UI设计 APPUI综合设计与图标实战案例视频教程 photoshop绘制icon案例 ..._app风格案例视频
文章浏览阅读4k次,点赞4次,收藏22次。1. 下载并安装海康 web 插件https://open.hikvision.com/download/5c67f1e2f05948198c909700?type=102. 把上一步解压的三个 js, 复制到你的项目中, 根据路径, 自己引入到 index.html 中3. 建议运行它的 demo, 大概看看代码, 了解一下它的大致结构, 它的注解很详细, 3 分钟就能看完4. 贴上我的代码(我的是每次只显示一个画面, 点击摄像头切换画面)<temp.._vue-hkvideo
文章浏览阅读5.3k次,点赞3次,收藏4次。很多时候需要用到这个css效果,实际上就用了一个li标签的热点样式,不仅是li标签,div等也可以的完整代码如下,div/css鼠标热点改变li标签背景颜色body{ background-color:#CCCC99; margin:0; padding:0; color:#fff;}ul{ margin:0; padding:50px;}li{ list-style:none; height:2..._ul li 样式 鼠标移入颜色
文章浏览阅读238次,点赞4次,收藏8次。把删除创建为rm -i 的别名当 -i 选项配合 rm 命令(也包括其他文件处理命令比如 cp 或者 mv)使用时,在删除文件前会出现一个提示。其中,/home/gacanepa/rescued 是另外一个磁盘中的目录 - 请记住,把文件恢复到被删除文件所在的磁盘中不是一个明智的做法。安装完成后,我们做一个简单的测试吧。如果在恢复过程中,占用了被删除文件之前所在的磁盘分区,就可能无法恢复文件。但愿你对于你的文件足够小心,当你要从外部磁盘或 USB 设备中恢复丢失的文件时,你只需使用这个工具即可。
文章浏览阅读3.2w次。<Window x:Class="Zhaoxi.BindingStudy.DataFormatStudy.DataFormatStudyWin" xmlns="http://schemas.microsoft.com/winfx/2006/xaml/presentation" xmlns:x="http://schemas.microsoft.com/winfx/2006/xaml" xmlns:d="http://schemas.microsoft.._wpf 自定义属性绑定 格式化 实现
文章浏览阅读1.1w次,点赞3次,收藏5次。转载请说明来源于"厦门SEO"本文地址:http://www.96096.cc/Article/160880.html常用办公软件 WPS Office是由金山软件股份有限公司开发的一款针对个人永久免费的办公软件,在我们的日常生活和工作中,WPS Office比起微软Microsoft Office来说在文字上的处理会更深入国人用户的人心,熟悉操作WPS的办公小技巧,能够更高效的提高我们的工作效率,今天小编要为大家分享的是WPS怎么自动生成目录?快来一起看看WPS自动生成目录的设置教程吧。_wps目录自动生成
而其较为出众的一点,就是较好的可拓展性,即丰富的插件应用,这些应用可以极大地提高生产效率,并优化日常使用。可以发现,其整体格局和我们常见的流程图编辑应用较为类似,其主题颜色也与我们的VS Code保持一致,在这里为了编辑方便,我们还是将编辑器主题改为浅色。当然,其功能仍存在局限,不能够完全代替我们传统的图形绘制工具,但也可以作为我们日常工作的有益补充,帮助我们完成一些特定情景下的项目。整体布局也十分明晰,与我们常用的Visio极为类似:左侧为形状选项卡,中间为画布容器,右侧为样式编辑。
之前在说了我的第一版静态资源代理,后面我又完善了一下:照着以上思路,可以在其他语言其他框架中实现,因为对框架没有依赖,都是使用的一些基本功能。
文章浏览阅读338次,点赞4次,收藏6次。架构师不是天生的,是在项目中磨练起来的,所以,我们学了技术就需要结合项目进行实战训练,那么在Android里面最常用的架构无外乎 MVC,MVP,MVVM,但是这些思想如果和模块化,层次化,组件化混和在一起,那就不是一件那么简单的事了,我们需要一个真正身经百战的架构师才能讲解透彻其中蕴含的深理。此时,RecyclerView第一个item是添加进Adapter中的最后一个,最后一个item是第一个加进Adapter的数据,RecyclerView会自动滑到末尾,另外item整体是依靠下方的。
文章浏览阅读884次。使用多种方式实现接口幂等性,通过定义注解方便对方法进行幂等性控制
文章浏览阅读324次。SpringBoot、Swagger2 整合详解_springboot swagger2 开关
文章浏览阅读2.8w次,点赞96次,收藏115次。报错说是时区不对因为mysql-connection-java版本导致时区的问题。pom.xml:控制台报错信息:java.sql.SQLException: The server time zone value ‘�й���ʱ��’ is unrecognized or represents more than one time zone. You must configure ei..._springboot项目里面报错 the server time zone value ' й