Pandas Pivot Table() – Transponer datos de forma masiva usando Python

La tabla dinámica de Pandas() es súper poderosa para que los desarrolladores manipulen los datos. Entonces, este artículo explica cómo transponer datos de forma masiva.

Pandas pivot_table() es súper poderoso para que los desarrolladores manipulen los datos, como visualización de datos, inventario de datos, desarrollo de API, etc. En términos de desarrollo de paneles o visualización de datos, es muy común transponer objetivos de datos específicos del orden de las columnas a la secuencia de las filas. Entonces, en este artículo, explicaré cómo transponer datos específicos de forma masiva en un segundo usando Pandas pivot_table() y Python.

Ingredientes sobre la transposición de datos usando Pandas Pivot table() y Python

Python3, Pandas, API de hoja de Google (opcional), Microsoft Excel (opcional)

Tabla de contenido

Tabla dinámica()

Tabla dinámica no es un término extraño porque la mayoría de la gente lo escucha en Microsoft Excel. En Pandas, funciona de manera similar y también es súper poderoso para manipular datos, que se pueden aplicar a múltiples áreas, como datos API, algoritmos de IA, etc.

Existe una larga lista de parámetros que permiten a las personas utilizarlos y aplicarlos al desarrollo de sus aplicaciones. En términos de este artículo, tomaré como ejemplo el cálculo de CAGR de una sociedad anónima. Los datos sin procesar son como la imagen que se muestra a continuación, en la que cada símbolo bursátil tiene ingresos anuales durante los últimos 5 años, pero ordena el desempeño anual en un formato de columna.

Transpondré miles de líneas de datos a una vista horizontal en un segundo usando 4 parámetros de la siguiente manera:

  • Índice
  • Valor
  • columnas
  • aggfunc

Flujo de pensamiento para manipular datos usando Pandas Pivot_table

Abc = df.pivot_table(index='Symbol', columns='Year', values='Revenue',aggfunc='first')

Lo primero que debemos hacer es decirle al sistema que hemos seleccionado una clave o un índice. El resto de datos siguientes a esta clave serán transpuestos.

Índice: columna, agrupador, matriz o lista de los anteriores

Si se pasa una matriz, debe tener la misma longitud que los datos. La lista puede contener cualquiera de los otros tipos (excepto la lista). Claves para agrupar en el índice de la tabla dinámica. Si se pasa una matriz, se usa de la misma manera que los valores de las columnas.

Según la definición del parámetro del índice, debemos completar el símbolo porque la clave única es el símbolo de la sociedad anónima. La gente usa esta única clave para recuperar los datos relacionados.

Columna: columna, mero, matriz o lista de las anteriores

El parámetro de columna es similar al índice, pero la columna no es la lista o matriz única. Por lo tanto, aquí completaremos la lista de años porque nos gusta transponerla de una columna a una fila.

Valores: columna para agregar, opcional

Sin un doble, aquí debemos completar el conjunto de datos de ingresos porque es el conjunto de datos básico para calcular la CAGR de cada símbolo.

Aggfunc: función, lista de funciones, dict, valor predeterminado numpy.mean

Este parámetro es imprescindible cuando la clave de índice tiene más de una, lo que fácilmente induce a error al sistema al indicar que el conjunto de datos tiene claves duplicadas. La clave duplicada no está permitida. Entonces, este parámetro le indica que asigne la misma clave al primero que encuentre en el proceso de transposición.

aggfunc='first'

Script completo de Python de la CAGR de la sociedad anónima transpuesta mediante Pivot_table()

Si está interesado en los scripts completos de Python de Pandas Pivot Table() – Transponer datos en secuencia de columnas a uno horizontal de forma masiva usando Pandas y Python, suscríbase a nuestro boletín agregando el mensaje " Tabla dinámica de Pandas() para transponer " . Le enviaremos el script inmediatamente a su buzón de correo.

Espero que disfrutes leyendo Pandas Pivot Table(): transponer datos en una secuencia de columnas a una horizontal de forma masiva usando Pandas y Python. Si lo hizo, apóyenos haciendo una de las cosas que se enumeran a continuación, porque siempre ayuda a nuestro canal.