MultiIndex في Pandas لبيانات متعددة المستويات أو هرمية

MultiIndex في Pandas هو كائن متعدد المستويات أو هرمي يسمح لك بتحديد أكثر من صف وعمود في الفهرس الخاص بك. كما أنه يمكّنك من إنشاء تحليل ومعالجة للبيانات معقدًا ، خاصة للعمل مع بيانات ذات أبعاد أعلى. في هذا البرنامج التعليمي ، سأستكشف ميزة MultiIndex في Pandas. يمكنك مشاهدة الفيديو الكامل لهذا البرنامج التعليمي أسفل هذه المدونة.

الفكرة هنا هي أن لدينا فهرسًا يحتوي أيضًا على تسلسل هرمي. إذا كنت قد استخدمت Pandas من قبل ، فأنت تعلم أن إطارات بيانات Pandas تحتوي على فهرس ، لذلك سنضيف طبقات إضافية إلى ذلك. سيؤدي ذلك إلى تسهيل فهرسة البيانات وإعادة تشكيلها ، اعتمادًا على ما إذا كان لديك بالفعل تسلسل هرمي لبياناتك.

على سبيل المثال ، سنستخدم مجموعة بيانات Gapminder الشهيرة ، وهذا بالفعل مؤشر متعدد هنا. لدينا تسلسل هرمي ، لذا فإن القارة تنتقل إلى البلدان ، ويمكن لكل بلد أن يتعمق في سنوات عديدة. لذلك ، يمكننا معالجة هذا الفهرس وستصبح كتابة الأشياء أسهل كثيرًا عندما نستخدم مؤشر MultiIndex هذا. سننظر في التقطيع وكذلك إعادة تشكيل مجموعة بيانات Gapminder.

جدول المحتويات

• كيفية استخدام MultiIndex في الباندا
• خاتمة

كيفية استخدام MultiIndex في الباندا

سنستخدم مجموعة بيانات Gapminder. إذا لم يكن لديك هذا مثبتًا ، فأنت تريد إجراء تثبيت PIP لـ Gapminder. سأقوم بإحضار الباندا أيضًا. أنا أستخدم توزيع أناكوندا لبايثون. في هذه الحالة ، سيتم تثبيت Pandas بالفعل. نقوم باستيراد Gapminder ، ثم سنلقي نظرة على هذه البيانات.

كما ترون هنا ، مرة أخرى لدينا فهرس أو تسلسل هرمي. يجب أن أقول أن لدينا قارة وبلد ثم عام. حاليًا ، الفهرس رقمي مثل هذا ، وسنقوم بتعيين الفهرس الخاص بنا الآن. والطريقة التي سنفعل بها ذلك هي مع Gapminder. سنقوم بتعيين الفهرس. سنقوم بتعيينه على القارة ، والبلد ، ثم العام ، inplace يساوي ( = ) صحيح .

هذا مجرد حفظ النتائج ، لذلك لا يتعين علينا استدعاء المتغير مرتين ، فقط أكثر فاعلية. والآن ، سترى أن لدينا الفهرس هنا ، (المحتوى ، الدولة ، السنة) وهذا هو فهرسنا المتعدد.

بضعة أشياء يمكننا القيام بها هنا. لنفترض ، على سبيل المثال ، أنني أردت كل شيء في قارة أوروبا. أريد تصفية أو تقسيم إطار البيانات هذا. يمكنني استخدام gapminder.loc ثم الكتابة في أوروبا. قد تكون على دراية بـ loc. من الظروف الأخرى في Pandas ، فإنه يعمل بسهولة أكبر عندما نقوم بذلك بواسطة الفهرس.

الآن هذا موجود في التسلسل الهرمي. لنفترض أننا أردنا البيانات من المملكة المتحدة فقط. يبدو أننا سنكون قادرين على تقسيم هذا فقط ، لكن هذه ستكون مشكلة لأنه عندما نقوم بفهرسة هذا ، فإننا عالقون في استخدام التسلسل الهرمي. نحتاج أن نبدأ من المستوى الأول ، ثم ننتقل إلى المستوى الثاني ، والثالث ، وما إلى ذلك.

إذا كنت أرغب في تضمين مستويات متعددة ، فما يمكنني فعله هو تمريرها هنا. سأقوم بعمل أوروبا ، ثم المملكة المتحدة. يمكنني حتى أن أذهب إلى أبعد من ذلك وأضع عام 1997. والآن ، يمكننا أن نرى هنا نتيجة هذا الصف في هذه الحالة.

شيء آخر لطيف مع MultiIndex في Pandas هو أنه من الأسهل بكثير إعادة تشكيل البيانات. يمكنني أن أفعل gapminder_pivot ثم gapminder.unstack . إذا كنت بحاجة إلى إعادة تشكيل مجموعة البيانات هذه ، لسبب ما ، سأقوم بطباعة هذا وسترى أنه لدينا الآن القارة ، والبلد ، ثم العام جنبًا إلى جنب مع الأعمدة.

الآن ، لنفترض أنني أردت أن أفعل ذلك في الاتجاه المعاكس. كل ما علي فعله هو unpivot وسنقوم بعمل gapminder_pivot . إذا كان هذا غير مكدس ، فهذا يعني تكديس gapminder_unpivot.

الآن ، ماذا لو أردت التخلص من هذا الفهرس وإعادة تعيينه وتغييره إلى شيء آخر؟ كل ما علي فعله في هذه الحالة هو gapminder_unpivot. نحن في طريقنا إلى reset_index . سوف نجعل ذلك في مكانه مرة أخرى. ليس علينا أن ننقذ على نفسها. إنها أكثر فاعلية بقليل. ثم ، فجوة مايندر_ونبيفوت.

اطبع ذلك وسنعود إلى بياناتنا الأصلية ولدينا الفهرس. البداية الرقمية عند الصفر لأن بايثون هي فهرسة صفرية.

Python في LuckyTemplates: كيفية تثبيت وإعداد
برمجة Python النصية في تقارير بيانات LuckyTemplates
LuckyTemplates باستخدام برمجة Python لإنشاء جداول التاريخ

خاتمة

تم تسمية Pandas في البداية بعد بيانات اللوحة. من المفترض حقًا العمل مع بيانات اللوحة ، وهي نوع معين من بيانات السلاسل الزمنية بفئات متعددة. في هذه الحالة ، فإن وجود تسلسل هرمي أمر منطقي حقًا ، أليس كذلك؟

يعمل هذا بشكل جيد إذا كنت تعمل مع صفوف فريدة ، وتحاول العثور على أعمدة متعددة.

فيما يتعلق بالأداء ، قد لا يكون الفهرس ضروريًا إذا كنت تدمج ، لكننا لم ندمج هنا. كنا نعمل للتو ، والوصول إلى ، والفهرسة ، وإعادة التشكيل ، وما إلى ذلك ، ومع ذلك ، فإن كفاءة الترميز هي بالتأكيد فائدة كبيرة.

هذا كل شيء لـ MultiIndex في Pandas. آمل أن يكون هذا شيء يمكنك استخدامه. لقد تعلمت شيئًا جديدًا قليلاً عن الباندا اليوم.

أتمنى لك كل خير!