Calcul sur un tableau croisé dynamique

Les tableaux croisés dynamiques sont remplis de statistiques récapitulatives, mais ils ne constituent qu'une première étape pour trouver quelque chose d'intéressant. Souvent, vous devrez effectuer d'autres calculs sur ces données. Il est courant de trouver les lignes ou les colonnes où se trouve la valeur la plus élevée ou la plus basse.

Rappelez-vous que vous avez appris au chapitre 1 que vous pouvez facilement créer des sous-ensembles d’une série ou d’un DataFrame pour trouver des lignes intéressantes à l'aide d'une condition logique entre crochets. Par exemple :

pandas est chargé en tant que pd et le DataFrame temp_by_country_city_vs_year est disponible. L’en-tête .head() pour ce DataFrame est illustré ci-dessous, avec seulement quelques colonnes de l'année affichées :

country	city	2000	2001	2002	…	2013
Afghanistan	Kabul	15,823	15,848	15,715	…	16,206
Angola	Luanda	24,410	24,427	24,791	…	24,554
Australia	Melbourne	14,320	14,180	14,076	…	14,742
	Sydney	17,567	17,854	17,734	…	18,090
Bangladesh	Dhaka	25,905	25,931	26,095	…	26,587

Cet exercice fait partie du cours

Manipulation de données avec pandas

Afficher le cours

Instructions

Calculez la température moyenne pour chaque année, en l'affectant à mean_temp_by_year.
Filtrez mean_temp_by_year pour l'année où la température moyenne a été la plus élevée.
Calculez la température moyenne pour chaque ville (en colonnes), en l'affectant à mean_temp_by_city.
Filtrez mean_temp_by_city pour la ville dont la température moyenne est la plus basse.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Get the worldwide mean temp by year
mean_temp_by_year = temp_by_country_city_vs_year.____

# Filter for the year that had the highest mean temp
print(mean_temp_by_year[____])

# Get the mean temp by city
mean_temp_by_city = temp_by_country_city_vs_year.____

# Filter for the city that had the lowest mean temp
print(mean_temp_by_city[____])

Modifier et exécuter le code