Scribd
Cargar
29 vistas3 páginas

Pivot Table Con Pandas

Pivot Table con Pandas

Cargado por

Woody Woodpecker
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF o lee en línea desde Scribd
29 vistas3 páginas

Pivot Table Con Pandas

Pivot Table con Pandas

Cargado por

Woody Woodpecker
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF o lee en línea desde Scribd
Está en la página 1/ 3
in (29) out(29) in (39) In (31) Funcién pivot_table() import pancas as pd import nunpy a5 np mne-nead) tune = pd.read_esv("Fortune.csv") pvc) Naar company ek rakcehangs rovanoe ott yn TMtOOf ctr yatta necro. fumtar ne woman oan 4 20 saree 138780 2300000 Retain Senommte AR v ° + Amazon 2 00 4020 229640 s680609 Retin Seale WA ne ~ ~ 2 hens 00 058170 946500 1580600 Tacmy Cipoio CA ° ° + co asrearo izase 500000 MS jimtona MN mo ve v= near_profits = Fortune[ "reveni Fortune[ "Revenue. segnentat ion Fortunel "Revenve_segnentaton*) .value_counts() High 202 Name: Revenve_segnentation, dtype: inte lochs 088 nebotsCPE anal eas on Pont ter mmean() # colculo el pronedio ‘np-wnere(Fortune["revenue"] > mean profits, High", 20924.7908m phe) der Naar In (22): pd.pivot_table(data = fortune, index = [sector], columns = ["Revenve_segnentation”], agefune = ‘size’, Fill_value = 0) #” ‘size’ indica que se estd contando el numero de ocurrencias (tana) out (32: mentation High Low ‘Aerospace &Defense 512 Chemicals 326 Food &Drug stows 54 Motes, Restaurants &Lelsure 226 Modis 325 Retahing 17 60 Tecmology 22 99 Transporation 728 Wwolesalere 9 22 lochs 088 nebotsCPE anal eas on Pont ter 20924.7908m phot) der Natio In (33): # Creor La tobta pivotada pivot_table = pd.pivot_table(data = fortune, values = "revenue’, index = ["sector’, “eity"], columns = ["Revenue_segnentation”), aggfunc = ("revenue™: ["sun", 's42e"]}, fill_value = 0) pivot_table.columns = ['_' Jein(col).strip() for col in pivot_table.colunns) pivot_table sae High szn_Low sum High sum_Low sector ety “Aerospace & Defense Bothesda 1 0 woo ab Cleveana ° 1 op 47280 East Aurora ° 1 00 20520 St Lou ° 2 09 M2 1739 rows » 4 columns lochs 088 nebotsCPE anal eas on Pont ter

También podría gustarte