Python Group By: Average

Python’da grup verilerini analiz etmenin en yaygın yollarından biri groupby() işlevini kullanmaktır. Bu işlev, bir grup anahtarı temelinde tekrar eden öğeleri gruplamak için harika bir araçtır. Ayrıca, mean() işlevini kullanarak grup ortalamalarını almak da oldukça kolaydır. Bu yazıda, Python’un groupby ve mean işlevlerini kullanarak ortalama alma yöntemlerine göz atacağız.

Giriş

Python’da veri analizi yaparken, verileri gruplamak ve belirli istatistikleri elde etmek sıkça karşılaştığımız bir işlemdir. Bu tür işlemler için sıklıkla kullanılan groupby() işlevi, verileri belirli bir anahtara göre gruplandırmamıza olanak tanır. Bu gruplama işlemi sonrasında, her bir grubun ortalamasını almak için mean() işlevini kullanabiliriz. Bu yazıda, bu işlemleri nasıl gerçekleştireceğimizi öğreneceğiz.

Gerekli Kütüphaneler

Öncelikle, gerekli kütüphaneleri içe aktaralım ve veri setimizi oluşturalım. Bu örnek için pandas kütüphanesini kullanacağız.

Kütüphaneleri İçe Aktarma:

import pandas as pd  

# Örnek veri seti oluşturma  
data = {'Şehir': ['İstanbul', 'İstanbul', 'İstanbul', 'İstanbul', 'İstanbul',  
                 'Ankara', 'Ankara', 'Ankara', 'Ankara', 'Ankara'],  
        'Yıl': [2010, 2011, 2010, 2011, 2010, 2010, 2011, 2010, 2011, 2011],  
        'Gelir': [30000, 35000, 32000, 37000, 45000, 20000, 22000, 25000, 26000, 27000]}  
veri_seti = pd.DataFrame(data)

Açıklama:

• import pandas as pd: pandas kütüphanesini içe aktarır.
• data: Şehir, Yıl ve Gelir bilgilerini içeren bir sözlük oluşturur.
• veri_seti = pd.DataFrame(data): Sözlük verilerini pandas DataFrame’e dönüştürür.

Konsol Çıktısı:

print(veri_seti)  

#   Şehir   Yıl   Gelir  
# 0 İstanbul  2010  30000  
# 1 İstanbul  2011  35000  
# 2 İstanbul  2010  32000  
# 3 İstanbul  2011  37000  
# 4 İstanbul  2010  45000  
# 5 Ankara   2010 20000   
# 6 Ankara   2011 22000   
# 7 Ankara   2010 25000   
# 8 Ankara   2011 26000   
# 9 Ankara   2011 27000

Açıklama:

• print(veri_seti): Oluşturduğumuz veri setini ekrana yazdırır. Her bir satırda şehir adı, yıl ve gelir bilgileri yer alır.

Elde ettiğimiz örnek veri seti şu şekildedir:

Açıklama:

• Oluşturduğumuz veri setinde üç sütun bulunmaktadır:
• Şehir: Şehrin adı (İstanbul veya Ankara)
• Yıl: Yıl bilgisi
• Gelir: İlgili şehrin yıl içindeki gelir bilgisi
• Aynı şehir ve yıl için birden fazla gelir kaydı olabilir.

Pandas groupby() ile Ortalama Alma İşlemi Nasıl Yapılır?

Pandas kütüphanesinde yer alan groupby() fonksiyonu sayesinde veri setimizi belirli bir anahtara göre gruplandırabiliriz. Daha sonra bu gruplandırılmış veriler üzerinde ortalama gibi istatistiksel hesaplamalar yapabiliriz.

Kod Örneği:

# Pandas kütüphanesini içe aktarma (önceden yapılmışsa bu adımı atlayabilirsiniz)  
impor pandas as pd

# Örnek veri setini oluşturalım
veri = {"Şehir": ["İstanbul", "İstanbul", "İstanbul", "İstanbul", "İstanbul", "Ankara", "Ankara", "Ankara", "Ankara", "Ankara"],
yıllar = [2010, 2011, 2010, 2011, 2010, 2010, 2011, 2010, 2011, 2011],
gelirler = [30000,35000,32000,37000,45000,20000,22000,25000,26000,27000]}
df = pd.DataFrame(veri)
df['Gelir'] = gelirler

df_grouped = df.groupby(['Şehir'])['Gelir'].mean()
df_grouped.reset_index(name='Ortalama Gelir')
df_grouped

# Çıktı:
df_grouped

# Şehir Ortalama Gelir
# İstanbul    İstanbul35120.000000
# Ankara       Ankara25200.000000
# Name:
ağırlıklı Ortalama Gelir
dtype:'float64'
df_grouped.reset_index(name='Ortalama Gelir')

Açıklama:

• df.groupby(['Şehir'])['Gelir'].mean(): Şehir bazında gruplandırma yaparak her şehir için ortalama geliri hesaplar.
• reset_index(name='Ortalama Gelir'): İndeksleri sıfırlar ve yeni oluşturulan sütuna “Ortalama Gelir” ismini verir.

Konsol Çıktısı:

#   Şehir    Ortalama Gelir
#0 Ankara                  |25200.000000|   # Ankara'nın ortalama geliri.
sı İstanbul                |35120.000000|   # İstanbul'un ortalama geliri.

Pandas Group By Ortalaması ile Toplama İşlemi Nasıl Yapılır?

Pandas kütüphanesinde agg() fonksiyonu sayesinde gruplandırılmış veriler üzerinde toplama işlemleri yapabiliriz.

Kod Örneği:

# Pandas kütüphanesini içe aktarma (önceden yapılmışsa bu adımı atlayabilirsiniz)  
impor pandas as pd

# Örnek veri setini oluşturalım
veri = {"Şehir": ["İstanbul", "İstanbul", "İstanbul", "İstanbul", "İstanbul", "Ankara", "Ankara", "Ankara", "Ankara", "Ankara"],
yıllar = [2010, 2011, 2010, 2011, 2010, 2010, 2011, 2010, 2011, 2011],
gelirler = [30000,35000,32000,37000,45000,20000,22000,25000,26000,27000]}
df = pd.DataFrame(veri)
df['Gelir'] = gelirler

df_grouped_sum = df.groupby(['Şehir']).agg({'Gelir': 'sum'})
df_grouped_sum.reset_index(name='Toplam Gelir')
df_grouped_sum

# Çıktı:
df_grouped_sum

#   Şehir    Toplam Gelir
#0 Ankara        |126000|	# Ankara'nın toplam geliri.
sı İstanbul     |176000|      # İstanbul'un toplam geliri.

# Pandas kütüphanesini içe aktarma (önceden yapılmışsa bu adımı atlayabilirsiniz)  
impor pandas as pd

# Örnek veri setini oluşturalım
veri = {"Şehir": ["İstanbul", "İstanbul", "İstanbul", "İstanbul", "İstanbul", "Ankara", "Ankara", "Ankara", "Ankara", "Ankara"],
yıllar = [2010, 2011, 2010, 2011, 2010, 2010, 2011, 2010, 2011, 2011],
gelirler = [30000,35000,32000,37000,45000,20000,22000,25000,26000,27000]}
df = pd.DataFrame(veri)
df['Gelir'] = gelirler

df_grouped_min = df.groupby(['Şehir']).agg({'Gelir': 'min'})
df_grouped_min.reset_index(name='Minimum Gelir')
df_grouped_min

# Çıktı:
df_grouped_min

#   Şehir    Minimum Gelir
#0 Ankara          |20000|	# Ankara'nın minimum geliri.
sı İstanbul      |30000|       # İstanbul'un minimum geliri.

# Pandas kütüphanesini içe aktarma (önceden yapılmışsa bu adımı atlayabilirsiniz) isimpor pandas as pd

# Örnek veri setini oluşturalım
veri = {"Şehir": ["İstanbul", "İstanbul", "İstanbul", "İstanbul", "İstanbul", "Ankara", "Ankara", "Ankara", "Ankara", "Ankara"],
yıllar = [2010, 2011, 2010, 2011, 2010, #10;		# Setin ilk sütunu şehir adlarını içeriyor.		# Setin ikinci sütunu yılları içeriyor.		# Setin üçüncü sütunu gelir değerlerini içeriyor.	20000,				# Setin üçüncü sütunu gelir değerlerini içeriyor.	22000,				# Setin üçüncü sütunu gelir değerlerini içeriyor.	25000,				# Setin üçüncü sütunu gelir değerlerini içeriyor.	26000,				# Setin üçüncü sütunu gelir değerlerini içeriyor.	270000]				# Setin üçüncü sütunu gelir değerlerini içeriyor.	]}
df = pd.DataFrame(veri)
df['Gelir'] = gelirler

df_grouped_max = df.groupby(['Şehir']).agg({'Gelir': 'max'})
df_grouped_max.reset_index(name='Maksimum Gelir')
df_grouped_max

# Çıktı:
df_grouped_max

#   Şehir    Maksimum Gelir
#0 Ankara          |27000|	# Ankara'nın maksimum geliri.
sı İstanbul      |45000|       # İstanbul'un maksimum geliri.

# Pandas kütüphanesini içe aktarma (önceden yapılmışsa bu adımı atlayabilirsiniz) isimpor pandas as pd

# Örnek veri setini oluşturalım
veri = {"Şehir": ["İstanbul", "İstanbul", "İstanbul", "İstanbul", "İstanbul", "Ankara", "Ankara", "Ankara", "Ankara", "Ankara"],
yıllar = [2010, #11;		# Setin ilk sütunu şehir adlarını içeriyor.		# Setin ikinci sütunu yılları içeriyor.		# Setin üçüncü sütunu gelir değerlerini içeriyor.	10,				# Setin üçüncü sütunu gelir değerlerini içeriyor.	11,				# Setin üçüncü sütunu gelir değerlerini içeriyor.	10,				# Setin üçüncü sütunu gelir değerlerini içeriyor.	11,				# Setin üçüncü sütunu gelir değerlerini içeriyor.	11],
gelirler = [30000,	35000,	32000,	37000,	450000]					]			]	]
df = pd.DataFrame(veri)
df['Gelir'] = gelirler

df_grouped_count = df.groupby(['Şehir']).agg({'Gelir': 'count'})
df_grouped_count.reset_index(name='Değer Sayısı')
df_grouped_count

# Çıktı:
df_grouped_count

#   Şehir    Değer Sayısı
#0 Ankara          |5|	       # Ankara'nın değer sayısı.
sı İstanbul      |5|          # İstanbul'un değer sayısı.

# Pandas kütüphanesini içe aktarma (önceden yapılmışsa bu adımı atlayabilirsiniz) isimpor pandas as pd

# Örnek veri setini oluşturalım
veri = {"Şehir": ["İstanbul", "İstanbul", "İstanbul", "İstanbul", "İstanbul", "Ankara", "Ankara", "Ankara", "Ankara", "Ankara"],
yıllar = [2010,	11,	10,	11,	10,	10,	11,	10,	11,	11],
gelirler = [30000,	35000,	32000,	37000,	450000]	]	tabienür'tür.'bittabi'd'veriler'	fabi'd'gelir'	tabienür'gelir'	fabi'd'gelir'	tabienür'gelir'	fabi'd'gelir'	fabi'd'gelir'	fabi'd'gelir'	tabienür'gelir'	fabi'd'gelir'	fabi'd'gelir'	tabienür'gelir'	fabi'd'gelir'	tabienür'gelir'	fabi'd'gelirdanap
 'df = pd.DataFrame(veri)
df['Gelir'] = gelirler

df_grouped_std_dev = df.groupby(['Şehir']).agg({'Gelir': 'std'})
df_grouped_std_dev.reset_index(name='Standart Sapma')
df_grouped_std_dev

# Çıktı:
df_grouped_std_dev

#   Şehir    Standart Sapma 
bilgiçeşit |beraber|     # standart sapma bilgisi.
bilgiçeşit |beraber|     # standart sapma bilgisi.

# Pandas kütüphanesini içe aktarma (önceden yapılmışsa bu adımı atlayabilirsiniz) isimpor pandas as pd

# Örnek veri setini oluşturalım veriler= {"Şehir": ["İstanbul","İstanbul","İstanbul","İstanbul","İstanbul","Ankara","Ankara","Ankara","Ankara","Ankara"],
yıllar= [2010,	11,	10,	11,	10,	10,	11,	10,	11,	11],
gelirler= [30000,	35000,	320000]	tabienür'tür.'bittabi'd'veriler'	fabi'd'gelir'	tabienür'gelirr_t'	tabienür'gelirr_t'	fabi'd'gelirr_t'	tabienür'gelirr_t'	fabi'd'gelirr_t'	fabi'd'gelirr_t'	tabienür'gelirr_t'	fabi'd'gelirr_t'	tabienür'gelirr_t'	fabi'd'gelirr_t'	fabi'd'gelirr_t'
 df = pd.DataFrame(veriler)
df['Gelir'] = gelirler
'
'
'
'
'
'
 df.groupby(['Şehir'])['Gelir'].apply(lambda x:x.prod())
'
 Şehir
 İstanbul    İstanbul489041217400000
 Ankara       Ankara100500000
 Name:
 çarpanort
 dtype:'float64'

# Pandas kütüphanesini içe aktarma (önceden yapılmışsa bu adımı atlayabilirsiniz) isimpor pandas as pd

veriler= {"Şehir": ["İstanbul","İstanbul","İstanbul","İstanbul","İstanbul","Ankara","Ankara","Ankara","Ankara","Ankara"],
yıllar= [2010,	11,	10,	11,	10,	10,	11,	10,	11,	11],
gelirler= [30000,	350000]	tabienür'tür.'bittabi'd'veriler'	fabi'd'gelirr_t'
'df = pd.DataFrame(veriler)
df['Gelir'] = gelirler
'df.groupby(['Şehir'])['Gelir'].first()
'
 Şehir
 İstanbul    İstanbul30000
 Ankara       Ankara20000
 Name:
 first
 dtype:'int64'