Pandas: agrupar por múltiples valores y trazar resultados

En este artículo, aprenderemos cómo agrupar por múltiples valores y trazar los resultados de una sola vez. Aquí, tomamos el archivo «ejercicio.csv» de un conjunto de datos de la biblioteca de Seaborn , luego formamos diferentes datos de grupo y visualizamos el resultado. 

Para este procedimiento, los pasos requeridos se detallan a continuación:

• Importación de bibliotecas para datos y su visualización.
• Cree e importe los datos con varias columnas.
• Forme un objeto grouby agrupando múltiples valores.
• Visualiza los datos agrupados.

A continuación se muestra la implementación con algunos ejemplos: 

Ejemplo 1 :

En este ejemplo, tomamos el archivo «ejercicio.csv» de un conjunto de datos de la biblioteca Seaborn, luego formamos datos grupales al agrupar dos columnas «pulso» y «dieta» juntas sobre la base de una columna «tiempo» y, por último, visualizamos el resultado.

# importing packages
import seaborn
 
# load dataset and view
data = seaborn.load_dataset('exercise')
print(data)
 
# multiple groupby (pulse and diet both)
df = data.groupby(['pulse', 'diet']).count()['time']
print(df)
 
# plot the result
df.plot()
plt.xticks(rotation=45)
plt.show()

Producción :

    Unnamed: 0  id     diet  pulse    time     kind
0            0   1  low fat     85   1 min     rest
1            1   1  low fat     85  15 min     rest
2            2   1  low fat     88  30 min     rest
3            3   2  low fat     90   1 min     rest
4            4   2  low fat     92  15 min     rest
..         ...  ..      ...    ...     ...      ...
85          85  29   no fat    135  15 min  running
86          86  29   no fat    130  30 min  running
87          87  30   no fat     99   1 min  running
88          88  30   no fat    111  15 min  running
89          89  30   no fat    150  30 min  running

[90 rows x 6 columns]
pulse  diet   
80     no fat     NaN
       low fat    1.0
82     no fat     NaN
       low fat    1.0
83     no fat     2.0
                 ... 
140    low fat    NaN
143    no fat     1.0
       low fat    NaN
150    no fat     1.0
       low fat    NaN
Name: time, Length: 78, dtype: float64

Ejemplo 2: Este ejemplo es la modificación del ejemplo anterior para una mejor visualización.

# importing packages
import seaborn
 
# load dataset
data = seaborn.load_dataset('exercise')
 
# multiple groupby (pulse and diet both)
df = data.groupby(['pulse', 'diet']).count()['time']
 
# plot the result
df.unstack().plot()
plt.xticks(rotation=45)
plt.show()

Producción :

Ejemplo 3:

En este ejemplo, tomamos el archivo «ejercicio.csv» de un conjunto de datos de la biblioteca Seaborn y luego formamos datos grupales al agrupar tres columnas «pulso», «dieta» y «tiempo» juntas sobre la base de una columna «tipo» y en última visualización del resultado.

# importing packages
import seaborn
 
# load dataset and view
data = seaborn.load_dataset('exercise')
print(data)
 
# multiple groupby (pulse, diet and time)
df = data.groupby(['pulse', 'diet', 'time']).count()['kind']
print(df)
 
# plot the result
df.plot()
plt.xticks(rotation=30)
plt.show()

Producción :

Unnamed: 0  id     diet  pulse    time     kind
0            0   1  low fat     85   1 min     rest
1            1   1  low fat     85  15 min     rest
2            2   1  low fat     88  30 min     rest
3            3   2  low fat     90   1 min     rest
4            4   2  low fat     92  15 min     rest
..         ...  ..      ...    ...     ...      ...
85          85  29   no fat    135  15 min  running
86          86  29   no fat    130  30 min  running
87          87  30   no fat     99   1 min  running
88          88  30   no fat    111  15 min  running
89          89  30   no fat    150  30 min  running

[90 rows x 6 columns]
pulse  diet     time  
80     no fat   1 min     NaN
                15 min    NaN
                30 min    NaN
       low fat  1 min     1.0
                15 min    NaN
                         ... 
150    no fat   15 min    NaN
                30 min    1.0
       low fat  1 min     NaN
                15 min    NaN
                30 min    NaN
Name: kind, Length: 234, dtype: float64

Ejemplo 4: Este ejemplo es la modificación del ejemplo anterior para una mejor visualización.

# importing packages
import seaborn
 
# load dataset
data = seaborn.load_dataset('exercise')
 
# multiple groupby (pulse, diet, and time)
df = data.groupby(['pulse', 'diet', 'time']).count()['kind']
 
# plot the result
df.unsatck().plot()
plt.xticks(rotation=30)
plt.show()

Producción :