Python Polars: la guida definitiva

Capitolo 15. Rimodellare

Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: [e-mail]

Nell'ultimo capitolo ci siamo concentrati sull'aggregazione dei dati per creare riepiloghi informativi, ma cosa fare se i dati non hanno la forma giusta per eseguire queste aggregazioni? Rimodellare i dati è un passo fondamentale nel processo di analisi dei dati.

In questo capitolo imparerai a..:

• Rimodellare i dati per renderli più adatti all'analisi

• Modificare le dimensioni dei dati per renderli più adatti all'analisi, migliorare le prestazioni di calcolo o prepararli per la visualizzazione.

• Utilizza i vari metodi offerti da Polars, come df.pivot(), df.unpivot(), df.transpose(), df.explode(), e df.partition_by()

Le istruzioni per ottenere i file di cui potresti aver bisogno sono riportate nel Capitolo 2. Partiamo dal presupposto che i file si trovino nella sottodirectory dei dati.

DataFrames ampi o lunghi

I DataFrames ampi hanno molte colonne e poche righe. L'idea è che ogni riga contenga una colonna con un identificatore e che i dati siano distribuiti su molte colonne. Questo formato è spesso utilizzato quando ci sono più misurazioni per ogni osservazione. Un esempio di dati ampi è il seguente:

grades_wide = pl.DataFrame(
    {
        "student": ["Jeroen", "Thijs", "Ritchie"],
        "math": [85, 78, 92],
        "science": [90, 82, 85],
        "history": [88, 80, 87],
    }
)

grades_wide

shape: (3, 4) ┌─────────┬──────┬─────────┬─────────┐ ...