💋 ◻️ 🥗 पंडों में समूहबद्ध एकत्रीकरण 🤟🏽 🥛 👩🏾‍🤝‍👩🏼

एकत्रीकरण डेटा विश्लेषण में सबसे आम संचालन में से एक है। विभिन्न प्रौद्योगिकियां हमें प्रभावी ढंग से समूह बनाने और हमारे लिए ब्याज के क्षेत्रों को एकत्र करने के तरीकों का एक गुच्छा प्रदान करती हैं (कॉलम, विशेषताएँ)। यह लेख पांडा में एकत्रीकरण के कार्यान्वयन के बारे में बात करेगा।
मेरी विशेषज्ञता में, मैं अजगर के साथ बहुत कम काम करता हूं, लेकिन मैं अक्सर इस भाषा के पेशेवरों और शक्ति के बारे में सुनता हूं, खासकर जब यह डेटा के साथ काम करने की बात आती है। इसलिए, मैं यहां टी-एसक्यूएल के साथ एक समानांतर ऑपरेशन करूंगा और कुछ कोड उदाहरण दूंगा। डेटा के रूप में मैं शायद सबसे लोकप्रिय डेटा सेट का उपयोग करूंगा - इराइज फिशर ।

पहली बात जो दिमाग में आती है, वह इस पौधे की प्रजातियों द्वारा किसी भी आईरिस मापदंडों और समूह के लिए अधिकतम, न्यूनतम या औसत मूल्य प्राप्त करना है, जो कि पंडों का उपयोग करने वाले अजगर में कुछ इस तरह दिखाई देगा:

import pandas as pd

df = pd.read_csv('iris.csv', delimiter = ',')
print(df.groupby('variety').max()[['sepalLength']].to_markdown())

परिणाम:

| विविधता | sepal.length |
|: ----------- | ---------------: |
| सेटोसा | 5.8 |
| वर्सिकलर | 7 |
| वर्जिनिका | 7.9 |

या ऐसा:

import pandas as pd
df = pd.read_csv('iris.csv', delimiter = ',')

print(df.groupby('variety').sepalLength.agg(
    maxSepalLength  = 'max',
    minSepalLength  = 'min',
    ).to_markdown())

परिणाम:

| विविधता | maxSepalLength | minSepalLength |
|: ----------- | -----------------: - ----------------- : |
| सेटोसा | 5.8 | 4.3 |
| वर्सिकलर | 7 | 4.9 |
| वर्जिनिका | 7.9 | 4.9 |

या लंबोदर भावों का उपयोग करना:

import pandas as pd
df = pd.read_csv('iris.csv', delimiter = ',')

print(df.groupby('variety').sepalLength.agg([
    lambda x: x.max(), 
    lambda x: x.min()
    ]).to_markdown())

परिणाम:

| विविधता | <lambda_0> | <lambda_1> |
|: ----------- | -------------: | -------------: |
| सेटोसा | 5.8 | 4.3 |
| वर्सिकलर | 7 | 4.9 |
| वर्जिनिका | 7.9 | 4.9 |

डाटाफ्रेम इंस्टेंस फंक्शन

to_markdown()

आपको सामान्य (कंसोल) फ़ॉर्म में एक तालिका (DataFrame) प्रदर्शित करने की अनुमति देता है।

T-SQL पर, यह ऑपरेशन कुछ इस तरह दिखता है:

select i.Variety, max(i.SepalLength) as maxSepalLength
    from Iris i
        group by i.Variety

परिणाम:

सेटोसा 5.8 वर्सीकोलर
7.0
वर्जिनिका 7.9

लेकिन मान लें कि अब हम आईरिस के सभी मापदंडों के लिए अधिकतम और न्यूनतम (यदि आपको औसत पसंद है) मान प्राप्त करना चाहते हैं, तो स्वाभाविक रूप से प्रत्येक प्रकार के पौधे के लिए, यहां टी-एसक्यूएल कोड उत्पन्न किया गया है।

select
	i.Variety 
	,max(i.SepalLength) as maxSepalLength 
	,min(i.SepalLength) as minSepalLength
	,max(i.SepalWidth) as maxSepalWidth
	,min(i.SepalWidth) as minSepalWidth
	,max(i.PetalLength) as maxPetalLength
	,min(i.PetalLength) as mibPetalLength
	,max(i.PetalWidth) as maxPetalWidth
	,min(i.PetalWidth) as minPetalWidth
from Iris i
	group by i.Variety

परिणाम:

सेटोसा 5.8 4.3 4.4 2.3 1.9 1.0 1.0 0.1 0.1
वर्सिकलर 7.0 4.9 3.4 2.0 3.0 1.8 1.0
वर्जिनिया 7.9 4.9 3.8 6.9 4.5 2.5 1.4

पंडों में, समूह एकत्रीकरण की संभावना केवल जुलाई 18, 2019 के 0.25.0 संस्करण में दिखाई दी (इससे पहले क्या किया गया था) ;) और कई भिन्नताएं हैं, उन पर विचार करें:

import pandas as pd
df = pd.read_csv('iris.csv', delimiter = ',')

df.groupby('variety').agg(
    maxSepalLength = pd.NamedAgg(column = 'sepalLength', aggfunc = 'max'),
    minSepalLength = pd.NamedAgg(column = 'sepalLength', aggfunc = 'min'),
    maxSepalWidth = pd.NamedAgg(column = 'sepalWidth', aggfunc = 'max'),
    minSepalWidth = pd.NamedAgg(column = 'sepalWidth', aggfunc = 'min'),
    maxPetalLength = pd.NamedAgg(column = 'petalLength', aggfunc = 'max'),
    minPetalLength = pd.NamedAgg(column = 'petalLength', aggfunc = 'min'),
    maxPetalWidth = pd.NamedAgg(column = 'petalWidth', aggfunc = 'max'),
    minPetalWidth = pd.NamedAgg(column = 'petalWidth', aggfunc = 'min'),
    )

परिणाम:

सेटोसा 5.8 4.3 4.4 2.3 1.9 1.0 0.6 0.1
वर्सिकलर 7.0 4.9 3.4 2.0 5.1 1.8 1.8
वर्जिनिका 7.9 4.9 3.8 2.2 6.9 4.5 2.5 1.4

फ़ंक्शन

DataFrame.agg(self, func, axis=0, *args, **kwargs)

किसी दिए गए अक्ष पर कई परिचालनों के एकत्रीकरण की अनुमति देता है। मापदंडों के रूप में, फ़ंक्शन ** kwargs (नाम का तर्क, विवरण के लिए हब्र पर लेख देखें ) प्राप्त करता है, जो एक कॉलम है जिस पर ऑपरेशन किया जाता है और एकल उद्धरण में एकत्रीकरण फ़ंक्शन का नाम। रिकॉर्डिंग काफी स्वैच्छिक लगती है। आगे बढ़ो।

लैम्ब्डा एक्सप्रेशन का उपयोग करने वाला एक ही समाधान अधिक संक्षिप्त और सरल लगता है:

import pandas as pd
df = pd.read_csv('iris.csv', delimiter = ',')

df.groupby('variety').agg([
    lambda x: x.max(),
    lambda x: x.min()
    ])

परिणाम:

सेटोसा 5.8 4.3 4.4 2.3 2.3 1.0 1.0 0.1 0.1
वर्सिकलर 7.0 4.9 3.4 2.0 3.0 1.8 1.0
वर्जिनिया 7.9 4.9 3.8 6.9 4.5 2.5 1.4

मैं अक्सर बहुत कम लिखित के बारे में सुनता हूं जब अन्य भाषाओं की तुलना में एक ही प्रकार की समस्या को हल करते समय पायथन। यहां, टी-एसक्यूएल की तुलना में, कोई भी इससे सहमत हो सकता है, लेकिन भाषाई उपकरणों जैसे एसक्यूएल या टी-एसक्यूएल की अभिव्यक्तियों की स्पष्टता और अनुक्रम पूरी तरह से खो गया है (व्यक्तिगत राय)।

लेख से डेटा सेट और कोड यहाँ पाया जा सकता है।

0.25.0 में नया क्या है (जुलाई 18, 2019)

पांडा

पंडों में समूहबद्ध एकत्रीकरण

More articles: