數據分析中，經常需要對數據進行轉換和統計，以便更好地理解和可視化數據。本文將演示如何使用pandas將包含日期和類型的DataFrame轉換為每日類型數量統計表。
假設我們有一個DataFrame，包含’date’（日期）和’type’（類型）兩列。目標是將其轉換為一個新的DataFrame，其中每行代表一天，每列代表一種類型，單元格值表示該類型在該日期的數量。
以下代碼實現了這一轉換：
import pandas as pd # 示例數據 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pd.get_dummies()進行one-hot編碼 df_encoded = pd.get_dummies(df, columns=['type']) # 按日期分組并求和 df_pivot = df_encoded.groupby('date').sum() # 顯示結果 print(df_encoded) print("-" * 60) print(df_pivot)
代碼首先使用pd.get_dummies()函數將’type’列轉換為虛擬變量（one-hot encoding）。 然后，使用groupby()函數按’date’分組，并使用sum()函數對每個日期的虛擬變量進行求和，從而得到每種類型在每一天的數量。 最終結果是一個以日期為索引，類型為列的DataFrame。 aggregate(‘sum’)也可以替代sum()函數實現相同的功能。 這個方法有效地將長格式數據轉換為寬格式數據，方便后續分析和可視化。
? 版權聲明
文章版權歸作者所有，未經允許請勿轉載。
THE END
