Plusieurs résumés

Fait partie de la section Données et visualisations du Journey Machine Learning de Coddy. Leçon 44 sur 60.

Un seul nombre par groupe masque les extrêmes. .agg prend une liste de noms de statistiques et crée une colonne pour chacune :

Cinq projections regroupées par genre, comédie et drame, puis résumées dans un tableau avec une colonne pour la moyenne et une pour le maximum : comédie 97.5 et 100, drame 130.0 et 150

Pour ces cinq séances, ainsi que .size(), qui compte les lignes de chaque groupe :

shows = pd.DataFrame({
    "genre": ["comedy", "comedy", "drama", "drama", "drama"],
    "minutes": [95, 100, 130, 110, 150],
})
print(shows.groupby("genre")["minutes"].agg(["mean", "max"]))
print(shows.groupby("genre").size())

Cela affiche :

         mean  max
genre             
comedy   97.5  100
drama   130.0  150
genre
comedy    2
drama     3
dtype: int64

Les comédies durent en moyenne 97,5 minutes, 100 au maximum, et "min" ou "sum" fonctionnent aussi. Vérifie les tailles : une moyenne calculée à partir de 2 lignes est moins fiable qu’une moyenne calculée à partir de 200.

Défi

Moyen

Un food truck a enregistré une semaine de commandes dans truck.csv : day, dish, payment et total (dollars). Le code de départ lit dans column la colonne à utiliser pour le regroupement.

Affiche le nombre de commandes dans chaque groupe.
Affiche un tableau du total de chaque groupe, avec les colonnes min, mean et max, dans cet ordre.

Pour l’entrée day :

day
Fri    5
Mon    3
Thu    5
Tue    7
Wed    4
dtype: int64
     min   mean  max
day                 
Fri   10  19.60   36
Mon   12  27.00   42
Thu   10  21.60   42
Tue    9  19.00   30
Wed   10  21.25   27

Essayez vous-même

import pandas as pd

orders = pd.read_csv("truck.csv")
column = input()

# Écrivez votre code ci-dessous

Testez-vous

Cette leçon comprend un petit quiz. Commencez la leçon pour y répondre et suivre votre progression.

Toutes les leçons de Données et visualisations

1Introduction

Bonjour, Machine Learning Qu’est-ce qu’un modèle ?Importer des bibliothèques Votre premier graphique

4Façonner les données

Remodeler les tableaux Joindre des tableaux Nombres aléatoires Récapitulatif : simulation de dés

7DataFrames pandas

Series DataFrames Lecture de fichiers CSV Inspection des données Sélection de colonnes Récapitulatif : notes de films

10Tracer des DataFrames

Tracer un DataFrame Nuage de points à partir de colonnes Une couleur par groupe Histogramme d’une colonne Récapitulatif : ventes du café

2Tableaux NumPy

Créer des tableaux Forme et taille Plages de nombres Indexation et découpage Récapitulatif : grille de températures

5Graphiques en courbes et nuages de points

Étiquettes et titres Nuages de points Plusieurs courbes et légendes Couleurs et marqueurs Figures et axes Récapitulatif : pas hebdomadaires

8Filtrer et trier

Sélectionner des lignes Filtrer des lignes Trier les valeurs Nouvelles colonnes Récapitulatif : meilleurs produits

11Jeux de données pour le ML

Jeux de données intégrés Caractéristiques et étiquettes Explorer par classe Représenter les classes Récapitulatif : jeu de données Wine

3Calculs sur les tableaux

Opérations mathématiques sur des tableaux entiers Statistiques récapitulatives Statistiques par axe Diffusion Masques booléens Récapitulatif : notes d’examen

6Graphiques de données

Diagrammes en barres Histogrammes Plusieurs graphiques en un Images sous forme de tableaux Récapitulatif : rapport sur les précipitations

9Regrouper et nettoyer

Compter les valeurs Regrouper les donnéesPlusieurs résumésValeurs manquantes Récapitulatif : résultats de l’enquête

12Défis finaux

Rapport des ventes Relevés des capteurs Les chiffres en un coup d’œil Explorateur pingouin

Entraînez-vous par vous-même : Compilateur Python en ligne