Beräkningar på en pivottabell
Pivottabeller är fyllda med sammanfattande statistik, men de är bara ett första steg mot att hitta intressanta insikter. Ofta behöver du göra ytterligare beräkningar på dem. Ett vanligt tillvägagångssätt är att hitta de rader eller kolumner där det högsta eller lägsta värdet förekommer.
Kom ihåg från kapitel 1 att du enkelt kan filtrera en Serie eller DataFrame för att hitta intressanta rader med ett logiskt villkor inuti hakparenteser. Till exempel: series[series > value].
pandas är inläst som pd och DataFrame:n temp_by_country_city_vs_year är tillgänglig.
Nedan visas .head() för denna DataFrame, med bara några av årskolumnerna:
| 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 | span translate="no">Dhaka | 25.905 | 25.931 | 26.095 | … | 26.587 |
Den här övningen är en del av kursen
Datamanipulering med pandas
Övningsinstruktioner
- Beräkna medeltemperaturen för varje år och tilldela resultatet till
mean_temp_by_year. - Filtrera
mean_temp_by_yearför det år som hade den högsta medeltemperaturen. - Beräkna medeltemperaturen för varje stad (över kolumnerna) och tilldela resultatet till
mean_temp_by_city. - Filtrera
mean_temp_by_cityför den stad som hade den lägsta medeltemperaturen.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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[____])