Los agregados son una forma de crear un único número que describe un grupo de números
Los aggregates más comunes incluyen la media (mean), la mediana (median) o la desviación standard (standard deviation)
También aprenderemos a hacer un “rearrange” en un dataframe, lo cual es una forma de comparar datos entre dos dimensiones
Estadística de una columna
Anteriormente vimos como correr operaciones sobre cada valor en una columna usando apply Vamos a ver como combinar todos los valores de una columna en un único cálculo
1
movies = pd.DataFrame([
2
['Avatar','action',2009,7.9],
3
['Jurassic World','action',2015,7.3]
4
['The Avengers','action',2012,8.1]
5
['The Dark Knight','action',2008,9.0]
6
],
7
columns=['name','genre','year','imdb_rating'])
8
9
print(movies)
10
print(movies.year.median())
Copied!
Nunique & Unique
Veamos cual es el número de ocurrencias únicas
1
print(movies.year.nunique())
Copied!
Veamos los valores únicos
1
print(movies.year.unique())
Copied!
Sintaxis
La sintaxis general para correr cálculos es:
1
df.column_name.command()
Copied!
La siguiente es una tabla que resume los comandos más comunes:
1
comando | Descripción
2
mean | Promedio de todos los valores de la columna
3
std | Desviación estándar todos los valores de la columna
4
median | Mediana de todos los valores de la columna
5
max | Valor máximo de la columna
6
min | Valor mínimo de la columna
7
count | Número de valores en la columna
8
nunique | Número de valores únicos en la columna
9
unique | Lista de los valores únicos en la columna
Después de usar groupby normalmente necesitaremos limpiar nuestros datos resultantes. groupby normalmente crea un Series no un DataFrame. Podemos usar reset_index(), esto volverá a transformar nuestro Series en un DataFrame y mover los índices a su propia columna. lo hacemos así:
Algunas veces la operación que queremos correr será más complicada que la media o el count. En esos casos podremos aplicar la función apply y las funciones lambda. De la misma forma como hicimos con columnas individuales. Un buen ejemplo de esto es calcular los percentiles.
Nuestro departamento de marketing dice que es importante tener zapatos a precios razonables y en disponibilidad para todos los colores del inventario. Vamos a calcular el 25th percentile al precio del zapato por cada color
Algunas veces vamos a querer agregar por más de una columna. Podemos hacer esto pasando una lista de los nombres de las columnas en el método groupby. Imaginemos que el equipo de compras cree que ciertas combinaciones de tipos de zapatos y colores son particularmente populares este año. Vamos a crear un dataframe con el total del número de zapatos de cada combinación por tipo y color comparada
Cuando corremos un groupby entre múltiples columnas, muy seguido vamos a querer cambiar como es guardada la data. Reorganizar la tabla es lo que se conoce como "pivoting". La nueva tabla es llamada pivot table. En Pandas el comando para pivotar es: