Created
February 23, 2021 20:40
-
-
Save s1rat-dev/1e9131d0c0296a87d18a82a6622ad3c6 to your computer and use it in GitHub Desktop.
{PYTHON] Pandas GroupBy başlıca özellikleri ve kullanımı.
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
import pandas as pd | |
import numpy as np | |
data = { | |
'Çalışan': ['Ahmet Yılmaz','Can Ertürk','Hasan Korkmaz','Cenk Saymaz','Ali Turan','Rıza Ertürk','Mustafa Can'], | |
'Departman': ['İnsan Kaynakları','Bilgi İşlem','Muhasebe','İnsan Kaynakları','Bilgi İşlem','Muhasebe','Bilgi İşlem'], | |
'Yaş': [30,25,45,50,23,34,42], | |
'Semt': ['Kadıköy','Tuzla','Maltepe','Tuzla','Kadıköy','Tuzla','Maltepe'], | |
'Maaş': [5000,3000,4000,3500,2750,6500,4500] | |
} | |
df = pd.DataFrame(data) | |
result = df | |
result = df['Maaş'].sum() | |
result = df.groupby('Departman') | |
result = df.groupby('Departman').groups | |
result = df.groupby(['Departman','Maaş']).groups | |
semtler = df.groupby('Semt') | |
# for name,semt in semtler: | |
# print(name) | |
# print(semt) | |
# #SEMT VE O SEMTTE OTURAN İNSANLARIN BİLGİLERİNİ EKRANA BASAR | |
result = df.groupby('Semt').get_group('Kadıköy')['Çalışan'] # Semtlerden Kadıköyde oturan çalışanların adları. | |
result = df.groupby('Departman').get_group('Bilgi İşlem') # Departmanlardan 'Bilgi İşlem' bilgilerini getirir. | |
result = df.groupby('Departman').sum() # Departmandaki sayısal değerleri toplar. | |
result = df.groupby('Departman').mean() # Departmandaki sayısal değerlerin ortlamasını alır. | |
result = df.groupby('Departman').min()[['Maaş','Yaş']] | |
result = df.groupby('Semt')['Yaş'].mean() | |
result = df.groupby('Semt')['Çalışan'].count() # Semtlere göre çalışan sayılarını gösterir. | |
result = df.groupby('Semt').get_group('Kadıköy')['Çalışan'].count() # Semtlerden, Kadıköy'de çalışan sayısını gösterir. | |
######################################################################## | |
result = df.groupby('Departman')['Maaş'].max()['Muhasebe'] # | |
result = df.groupby('Departman').get_group('Muhasebe')['Maaş'].max() # | |
######################################################################## | |
''' | |
Yukarıdaki iki örnekte aynı kullanımdır ve | |
amacı Muhasebe Departmanındaki maximum değere sahip Maaş bilgisini almaktır. | |
''' | |
#agg kullanımı, | |
result = df.groupby('Departman').agg([('Ortalama',np.mean)]) | |
result = df.groupby('Departman')['Maaş'].agg([('Toplam',np.sum),('Ortalama',np.mean),('En yüksek',np.max),('En düşük',np.min)]) | |
result = df.groupby('Departman')['Çalışan'].agg([('Veri Tipi',type)]) | |
# agg ile belirtilen konumdaki değerlerin hangi işlemelrden geçmesini istiyorsak içerisine yazıyoruz. | |
#loc ile filtreleme | |
result = df.groupby('Departman')['Maaş'].agg([('Toplam',np.sum),('Ortalama',np.mean),('En yüksek',np.max),('En düşük',np.min)]).loc['Muhasebe'] | |
''' loc ile bilgisi belirtilen Departmanların Maaşları arasından, 'Muhasebe'yi elde edebiliriz. ''' | |
print(result) |
Sign up for free
to join this conversation on GitHub.
Already have an account?
Sign in to comment