Pivot Tables

Loading...

Do curso por University of Michigan

Introduction to Data Science in Python

10702 classificações

University of Michigan

Introduction to Data Science in Python

10702 classificações

Curso 1 de 5 em Specialization Applied Data Science with Python

This course will introduce the learner to the basics of the python programming environment, including fundamental python programming techniques such as lambdas, reading and manipulating csv files, and the numpy library. The course will introduce data manipulation and cleaning techniques using the popular python pandas data science library and introduce the abstraction of the Series and DataFrame as the central data structures for data analysis, along with tutorials on how to use functions such as groupby, merge, and pivot tables effectively. By the end of this course, students will be able to take tabular data, clean it, manipulate it, and run basic inferential statistical analyses. This course should be taken before any of the other Applied Data Science with Python courses: Applied Plotting, Charting & Data Representation in Python, Applied Machine Learning in Python, Applied Text Mining in Python, Applied Social Network Analysis in Python.

Na lição

Week 3

In this week you'll deepen your understanding of the python pandas library by learning how to merge DataFrames, generate summary tables, group data into logical pieces, and manipulate dates. We'll also refresh your understanding of scales of data, and discuss issues with creating metrics for analysis. The week ends with a more significant programming assignment.

Merging Dataframes7:42

Pandas Idioms6:33

Pivot Tables2:25

Date Functionality5:08

Conheça os instrutores

Christopher Brooks

Uma tabela dinâmica é uma maneira de resumir os dados em uma estrutura de dados para um propósito particular.

Faz uso intenso da função de agregação.

Uma tabela dinâmica é em si um quadro de dados, onde as linhas representam uma variável que

você tem interesse, as colunas outra variável, e a célula é um valor agregado.

Uma tabela dinâmica também tende a incluir valores marginais também,

que são as somas para cada linha e para cada coluna.

Isso permite que você veja o relacionamento entre duas variáveis,

num relance.

Vamos ver um exemplo.

Vamos carregar um novo conjunto de dados, cars.csv.

Este conjunto de dados vem do Open Data Initiative, do governo canadense.

E tem informações sobre a eficiência de diferentes carros elétricos que

estão disponíveis no mercado.

Quando olhamos para o cabeçalho dos dados,

vemos que há ano (YEAR), modelo (Model), fornecedor (Make), tamanhos de carros (Size) e estatísticas,

como o tamanho da bateria (em quilowatts-hora).

Uma tabela dinâmica nos permite girar uma dessas colunas em um novo cabeçalho de colunas

e compará-la contra outra coluna, como índices de linha.

Por exemplo,

se quiséssemos comparar a marca de veículos elétricos contra os anos e

que queríamos fazer essa comparação em termos de capacidade da bateria.

Para isso, dizemos ao Pandas que queremos os valores em quilowatts,

que o índice será o ano e as colunas serão os fabricantes (Make).

Em seguida, especificamos a função de agregação,

que aqui será a média: aggfunc=np.mean

Eis os resultados.

Vemos que há valores NaN para

fornecedores que não têm uma entrada num determinado ano, como Ford em 2012.

E vemos que a maioria dos fornecedores não têm uma mudança na capacidade da bateria ao longo dos anos,

exceto Tesla, que introduziu vários modelos novos.

Agora, tabelas dinâmicas não se limitam a uma função que você pode querer aplicar.

Você pode passar uma lista das funções diferentes para aplicar.

E Pandas irá fornecer o resultado, usando hierarquida de nomes de colunas.

Aqui, para passar margens: margins=True

Note que, para cada função, há uma categorial 'all'.

All exibe a média geral e valores mínimos de um dado ano

e de um dado fornecedor.

Isso é o que são as tabelas dinâmicas.

Foi uma descrição sucinta, mas

elas serão muito úteis na manipulação de dados numéricos.

E, é claro, você pode passar qualquer função que quiser para a função de agregação,

incluindo as suas, as que você criar.

Explore nosso catálogo

Registre-se gratuitamente e obtenha recomendações, atualizações e ofertas personalizadas.

O Coursera proporciona acesso universal à melhor educação do mundo fazendo parcerias com as melhores universidades e organizações para oferecer cursos on-line.

© 2019 Coursera Inc. Todos os direitos reservados.

Baixar na App Store

Baixar no Google Play