Читать «Python Библиотеки» — Джейд Картер онлайн
Страница 21 из 27
используемым
в
анализе
данных
,
машинном
обучении
и
других
областях
.DataFrame
позволяет
легко
выполнять
множество
операций
,
от
фильтрации
и
группировки
данных
до
визуализации
результатов
.
Это
делает Pandas
мощным
инструментом
для
аналитики
и
обработки
данных
вPython.
Приведем
примеры
фильтрации
,
сортировки
и
агрегации
данных
с
использованием
библиотекиPandas
на
основе
предположимогоDataFrame
с
информацией
о
людях
:
importpandasaspd#
СоздаемDataFrame
с
информацией
о
людях
data=
{'
Имя
":
['
Анна
',
'
Борис
',
'
Виктория
',
'
Дмитрий
',
'
Елена
'],
'
Возраст
':[25,30,22,35,281,
'
Город
':
['
Москва
',
'
Санкт
-
Петербург
',
'
Киев
',
'
Москва
',
'
Санкт
-
Петербург
'],
'
Зарплата
':[50000,60000,45000,70000,5500013
df=pd.DataFrame(data)
#
Фильтрация
данных
по
условию
(
например
,
выбор
людей
старше25
лет
)
filtered_df=df[df[
'
Возраст
']>25]
print
("
Фильтрация
данных
по
возрасту
:")
print(filtered_df)
В
этом
примере
мы
использовали
фильтрацию
для
выбора
только
тех
записей
,
где
возраст
больше25
лет
.
Здесь
мы
отсортировалиDataFrame
по
столбцу
'
Возраст
'
в
порядке
убывания
.
В
данном
примере
мы
использовали
агрегацию
для
расчета
среднего
возраста
и
суммы
зарплаты
для
каждого
города
.
Эти
примеры
показывают
базовые
операции
фильтрации
,
сортировки
и
агрегации
данных
сPandas,
которые
могут
быть
полезны
при