


Bagaimanakah Saya Boleh Menghimpunkan Baris DataFrame ke dalam Senarai Menggunakan Pandas Groupby?
Mengumpulkan Baris DataFrame ke dalam Senarai dalam Pandas GroupBy
Banyak set data mengandungi maklumat berlebihan merentas baris. Untuk mengekstrak cerapan yang bermakna, selalunya perlu mengumpulkan baris berdasarkan atribut biasa. Ini membolehkan pengagregatan dan manipulasi data dalam setiap kumpulan. Dalam artikel ini, kami akan meneroka cara menghimpunkan baris bingkai data ke dalam senarai dalam kumpulan Pandas.
Pengumpulan dan Pengagregatan
Pertimbangkan bingkai data dengan dua lajur, 'a' dan 'b':
a b A 1 A 2 B 5 B 5 B 4 C 6
Matlamatnya adalah untuk mengumpulkan baris mengikut lajur pertama ('a') dan mencipta senarai nilai dalam lajur kedua ('b') untuk setiap kumpulan. Output yang dikehendaki ialah:
A [1,2] B [5,5,4] C [6]
Untuk mencapai ini, kita boleh menggunakan kumpulan Pandas dan menggunakan fungsi. Fungsi groupby mengelompokkan baris mengikut lajur yang ditentukan, manakala fungsi guna membolehkan kami melakukan operasi pada setiap kumpulan. Dalam kes ini, kami akan menggunakan fungsi senarai untuk membuat senarai nilai bagi setiap kumpulan.
df.groupby('a')['b'].apply(list)
Kod ini akan mengembalikan objek Siri yang mengandungi senarai nilai untuk setiap kumpulan:
a A [1, 2] B [5, 5, 4] C [6] Name: b, dtype: object
Mencipta Bingkai Data Baharu
Untuk mencipta bingkai data baharu dengan senarai terkumpul, kita boleh menggunakan fungsi reset_index untuk menukar Siri objek ke dalam bingkai data baharu dan namakan semula lajur yang mengandungi senarai:
df1 = df.groupby('a')['b'].apply(list).reset_index(name='new')
Bingkai data yang terhasil akan kelihatan seperti ini:
a new 0 A [1, 2] 1 B [5, 5, 4] 2 C [6]
Atas ialah kandungan terperinci Bagaimanakah Saya Boleh Menghimpunkan Baris DataFrame ke dalam Senarai Menggunakan Pandas Groupby?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas











Python lebih mudah dipelajari dan digunakan, manakala C lebih kuat tetapi kompleks. 1. Sintaks Python adalah ringkas dan sesuai untuk pemula. Penaipan dinamik dan pengurusan memori automatik menjadikannya mudah digunakan, tetapi boleh menyebabkan kesilapan runtime. 2.C menyediakan kawalan peringkat rendah dan ciri-ciri canggih, sesuai untuk aplikasi berprestasi tinggi, tetapi mempunyai ambang pembelajaran yang tinggi dan memerlukan memori manual dan pengurusan keselamatan jenis.

Untuk memaksimumkan kecekapan pembelajaran Python dalam masa yang terhad, anda boleh menggunakan modul, masa, dan modul Python. 1. Modul DateTime digunakan untuk merakam dan merancang masa pembelajaran. 2. Modul Masa membantu menetapkan kajian dan masa rehat. 3. Modul Jadual secara automatik mengatur tugas pembelajaran mingguan.

Python lebih baik daripada C dalam kecekapan pembangunan, tetapi C lebih tinggi dalam prestasi pelaksanaan. 1. Sintaks ringkas Python dan perpustakaan yang kaya meningkatkan kecekapan pembangunan. 2. Ciri-ciri jenis kompilasi dan kawalan perkakasan meningkatkan prestasi pelaksanaan. Apabila membuat pilihan, anda perlu menimbang kelajuan pembangunan dan kecekapan pelaksanaan berdasarkan keperluan projek.

Adakah cukup untuk belajar Python selama dua jam sehari? Ia bergantung pada matlamat dan kaedah pembelajaran anda. 1) Membangunkan pelan pembelajaran yang jelas, 2) Pilih sumber dan kaedah pembelajaran yang sesuai, 3) mengamalkan dan mengkaji semula dan menyatukan amalan tangan dan mengkaji semula dan menyatukan, dan anda secara beransur-ansur boleh menguasai pengetahuan asas dan fungsi lanjutan Python dalam tempoh ini.

Python dan C masing -masing mempunyai kelebihan sendiri, dan pilihannya harus berdasarkan keperluan projek. 1) Python sesuai untuk pembangunan pesat dan pemprosesan data kerana sintaks ringkas dan menaip dinamik. 2) C sesuai untuk prestasi tinggi dan pengaturcaraan sistem kerana menaip statik dan pengurusan memori manual.

Pythonlistsarepartofthestandardlibrary, sementara

Python cemerlang dalam automasi, skrip, dan pengurusan tugas. 1) Automasi: Sandaran fail direalisasikan melalui perpustakaan standard seperti OS dan Shutil. 2) Penulisan Skrip: Gunakan Perpustakaan Psutil untuk memantau sumber sistem. 3) Pengurusan Tugas: Gunakan perpustakaan jadual untuk menjadualkan tugas. Kemudahan penggunaan Python dan sokongan perpustakaan yang kaya menjadikannya alat pilihan di kawasan ini.

Aplikasi utama Python dalam pembangunan web termasuk penggunaan kerangka Django dan Flask, pembangunan API, analisis data dan visualisasi, pembelajaran mesin dan AI, dan pengoptimuman prestasi. 1. Rangka Kerja Django dan Flask: Django sesuai untuk perkembangan pesat aplikasi kompleks, dan Flask sesuai untuk projek kecil atau sangat disesuaikan. 2. Pembangunan API: Gunakan Flask atau DjangorestFramework untuk membina Restfulapi. 3. Analisis Data dan Visualisasi: Gunakan Python untuk memproses data dan memaparkannya melalui antara muka web. 4. Pembelajaran Mesin dan AI: Python digunakan untuk membina aplikasi web pintar. 5. Pengoptimuman Prestasi: Dioptimumkan melalui pengaturcaraan, caching dan kod tak segerak
