import pandas as pd
pd.set_option('display.max_columns', 4)
pd.set_option('display.max_rows', 6)
pd.set_option('display.max_colwidth', 20)
csv_url = 'https://github.com/SchmidtPaul/ExampleData/raw/main/airbnb_open_data/Airbnb_Open_Data.csv'
df = pd.read_csv(csv_url, dtype={25: str})
dfZeilen filtern
Wie in den vorigen Kapiteln setzen wir zunächst wieder Pandas Optionen und importieren unseren AirBnB Datensatz.
id NAME ... house_rules license
0 1001254 Clean & quiet ap... ... Clean up and tre... NaN
1 1002102 Skylit Midtown C... ... Pet friendly but... NaN
2 1002403 THE VILLAGE OF H... ... I encourage you ... NaN
... ... ... ... ... ...
102596 6093542 Comfy, bright ro... ... NaN NaN
102597 6094094 Big Studio-One S... ... NaN NaN
102598 6094647 585 sf Luxury St... ... NaN NaN
[102599 rows x 26 columns]In diesem Abschnitt konzentrieren wir uns auf das Auswählen von Zeilen. Zuvor sollten wir jedoch die verwendeten Begriffe klären, insbesondere den Unterschied zwischen “Zeilen filtern” und “Spalten selektieren”. Die Unterscheidung ist nicht immer eindeutig, da man eigentlich auch Zeilen selektieren oder Spalten herausfiltern kann. Trotzdem hat sich durch spezifische Funktionen in Programmiersprachen wie z.B. SQL (SELECT/FILTER) oder R (select()/filter()) ein gewisser Zusammenhang zwischen den erstgenannten Begriffspaaren etabliert. Die Begriffe lassen sich jedoch, wenn überhaupt, nur grob voneinander abgrenzen: “filtern” impliziert in der Regel, dass eine Bedingung erfüllt sein muss, während “selektieren” eher darauf hindeutet, dass eine explizite, bekannte Auswahl getroffen wird. In der Praxis muss man Zeilen häufiger filtern und Spalten eher selektieren.
Zeilen selektieren
Der Vollständigkeit halber wollen wir also zuerst doch kurz darauf eingehen, wie man auch Zeilen einfach selektieren kann. Speziell in Python und Pandas ist dies nämlich dem Spalten selektieren prinzipiell ähnlich, da die Indices von Zeilen in gewisser Weise gehandhabt werden wie die Indices von Spalten. Für die direkte Vergleichbarkeit zum vorangegangen Kapitel zur Spaltenselektion sind hier dieselben vier Stichpunkte analog für Zeilen:
Den Zeilennamen mit Punkt an den DataFrame hängenDen Zeilennamen oder eine Liste von Zeilennamen in eckigen Klammern an den DataFrame hängen- Den Zeilennamen oder eine Liste von Zeilennamen in
.loc[]schreiben - Den Zeilenindex oder eine Liste von Zeilenindizes in
.iloc[]schreiben
Für die ersten beiden Punkte gibt es in Pandas also keine direkte Entsprechung für Zeilen. Ebenfalls gilt es wieder zu unterscheiden ob man beim Selektieren einer einzelnen Zeile eine Series oder einen Dataframe mit einer Zeile erhält.
Eine Zeile als Series
df.loc[0]
df.iloc[0]id 1001254
NAME Clean & quiet ap...
host id 80014485718
...
availability 365 286.0
house_rules Clean up and tre...
license NaN
Name: 0, Length: 26, dtype: objectEine Zeile als DataFrame
df.loc[[0]]
df.iloc[[0]] id NAME ... house_rules license
0 1001254 Clean & quiet ap... ... Clean up and tre... NaN
[1 rows x 26 columns]Mehrere Zeilen als DataFrame
df.loc[[0, 1]]
df.iloc[[0, 1]] id NAME ... house_rules license
0 1001254 Clean & quiet ap... ... Clean up and tre... NaN
1 1002102 Skylit Midtown C... ... Pet friendly but... NaN
[2 rows x 26 columns]Was für etwas Verwirrung sorgen könnte ist die Tatsache, dass hier sowohl in .loc[] als auch in .iloc[] die Zeilenindizes in eckigen Klammern stehen. Der Unterschied sollte ja sein, dass .loc[] die Zeilen anhand ihres Namens auswählt, während .iloc[] die Zeilen anhand ihres Index auswählt. Da wir standardmäßig und so eben auch hier aber keine expliziten Zeilennamen haben, ist also der Zeilenname gleich dem Index und wir können die beiden Methoden hier gleich verwenden.
Zeilenindices bearbeiten
Jetzt ist also ein guter Zeitpunkt um mal die Zeilenindices zu verändern und ihnen tatsächlich Namen/Label zu geben. Das geht z.B. mit der Methode .set_index(). Hierbei wird eine im Dataframe vorhandene Spalte als Index festgelegt, also zum Index konvertiert, sodass die Zeilen dann anhand der Einträge in dieser Spalte ausgewählt werden können. In unserem Fall bietet sich die Spalte id an, da diese eindeutig und somit als Index geeignet ist. Die Spalte id wird also anstelle der Standard-Indices als Index festgelegt und ist dann auch nicht mehr als “normale Spalte” im Dataframe.
df.set_index('id', inplace=True)
df NAME host id ... house_rules license
id ...
1001254 Clean & quiet ap... 80014485718 ... Clean up and tre... NaN
1002102 Skylit Midtown C... 52335172823 ... Pet friendly but... NaN
1002403 THE VILLAGE OF H... 78829239556 ... I encourage you ... NaN
... ... ... ... ... ...
6093542 Comfy, bright ro... 69050334417 ... NaN NaN
6094094 Big Studio-One S... 11160591270 ... NaN NaN
6094647 585 sf Luxury St... 68170633372 ... NaN NaN
[102599 rows x 25 columns]Nun wäre die erste Zeile zwar weiterhin mit df.iloc[[0]], aber eben mit df.loc[[1001254]] zu selektieren:
df.loc[[1001254]] NAME host id ... house_rules license
id ...
1001254 Clean & quiet ap... 80014485718 ... Clean up and tre... NaN
[1 rows x 25 columns]Dabei kann der Index zum Einen auch ein String sein und zum Anderen mit index_col= auch direkt beim Import festgelegt werden.
df = pd.read_csv(
csv_url,
dtype={25: str},
index_col='NAME'
)
df id host id ... house_rules license
NAME ...
Clean & quiet apt... 1001254 80014485718 ... Clean up and tre... NaN
Skylit Midtown Ca... 1002102 52335172823 ... Pet friendly but... NaN
THE VILLAGE OF HA... 1002403 78829239556 ... I encourage you ... NaN
... ... ... ... ... ...
Comfy, bright roo... 6093542 69050334417 ... NaN NaN
Big Studio-One St... 6094094 11160591270 ... NaN NaN
585 sf Luxury Studio 6094647 68170633372 ... NaN NaN
[102599 rows x 25 columns]df.loc[['Clean & quiet apt home by the park']] id host id ... house_rules license
NAME ...
Clean & quiet apt... 1001254 80014485718 ... Clean up and tre... NaN
[1 rows x 25 columns]df.iloc[[0]] # alternativ weiterhin mit IndexNr id host id ... house_rules license
NAME ...
Clean & quiet apt... 1001254 80014485718 ... Clean up and tre... NaN
[1 rows x 25 columns]Für den Moment setzen wir den Index mit .reset_index() wieder zurück, um uns nun auf das Filtern zu konzentrieren.
df = df.reset_index()
df NAME id ... house_rules license
0 Clean & quiet ap... 1001254 ... Clean up and tre... NaN
1 Skylit Midtown C... 1002102 ... Pet friendly but... NaN
2 THE VILLAGE OF H... 1002403 ... I encourage you ... NaN
... ... ... ... ... ...
102596 Comfy, bright ro... 6093542 ... NaN NaN
102597 Big Studio-One S... 6094094 ... NaN NaN
102598 585 sf Luxury St... 6094647 ... NaN NaN
[102599 rows x 26 columns]Zeilen filtern
Nun wollen wir uns dem eigentlichen Thema widmen: dem Filtern. Hierbei wird eine Bedingung definiert, die für jede Zeile überprüft wird. Wenn die Bedingung erfüllt ist, wird die Zeile beibehalten, ansonsten verworfen.
An dieser Stelle ist es sinnvoll, dass wir uns vorest einen übersichtlichen Teildatensatz erzeugen um mit diesem zu arbeiten. Dazu selektieren wir folgende 6 Zeilen und 4 Spalten:
df2 = df.loc[0:5, ['room type', 'minimum nights', 'Construction year']]
df2 room type minimum nights Construction year
0 Private room 10.0 2020.0
1 Entire home/apt 30.0 2007.0
2 Private room 3.0 2005.0
3 Entire home/apt 30.0 2005.0
4 Entire home/apt 10.0 2009.0
5 Entire home/apt 3.0 2013.0Wie man prüft, also einen boolschen Wert True oder False erhält, haben wir schon früh in Kapitel 2.2 Datentypen gelernt. So können wir prüfen ob eine Zahl z.B. gleich 2005 ist, indem wir den == Operator verwenden. Praktischerweise, können wir mit Pandas auch direkt eine ganze Spalte auf diese Weise prüfen. Es wird also nicht geprüft ob eine bestimmte Spalte dasselbe ist wie 2005, sondern ob jede einzelne Zelle in der Spalte gleich 2005 ist. Das Ergebnis ist dann entsprechend eine Spalte mit True und False Werten.
x = 2005 # definiere x als 2005
x == 2005 # prüfe ob x gleich 2005Truedf2['Construction year'] == 20050 False
1 False
2 True
3 True
4 False
5 False
Name: Construction year, dtype: boolDiese Spalte können wir dann übergeben und behalten nur die Zeilen, die True sind. Die Daten wurden also entsprechend der Bedinung gefiltert. Dabei kann die Bedingung entweder direkt übergeben oder vorher in einer Variable gespeichert werden. Letzteres wird ggf. als übersichtlicher empfunden und ergibts spätestens dann Sinn, wenn die Bedingung komplex ist und/oder mehrfach verwendet wird.
#
df2[df2['Construction year'] == 2005] room type minimum nights Construction year
2 Private room 3.0 2005.0
3 Entire home/apt 30.0 2005.0gebaut_2005 = df2['Construction year'] == 2005
df2[gebaut_2005] room type minimum nights Construction year
2 Private room 3.0 2005.0
3 Entire home/apt 30.0 2005.0Bedingung umkehren
Manchmal ist es nötig oder intuitiver eine Bedingung umzukehren. Dies kann mit dem ~ Operator erreicht werden. Dabei werden dann dementsprechend alle True Werte zu False und umgekehrt.
gebaut_20050 False
1 False
2 True
3 True
4 False
5 False
Name: Construction year, dtype: bool~gebaut_20050 True
1 True
2 False
3 False
4 True
5 True
Name: Construction year, dtype: boolMehrere Bedingungen
Mehrere Bedingungen können mit den logischen Operatoren & (und) und | (oder) verknüpft werden. Dabei ist es wichtig, die Bedingungen in Klammern zu setzen, um die Reihenfolge der Operationen zu steuern.
& (und)
Wollen wir beispielsweise alle Zeilen behalten, die den Zimmertyp Ganze Wohnung/Haus haben und weniger als 15 Nächte Mindestaufenthalt aufweisen, so können wir dies wie folgt umsetzen:
behalten = (df2['room type'] == 'Entire home/apt') & (df2['minimum nights'] < 15)
df2[behalten] room type minimum nights Construction year
4 Entire home/apt 10.0 2009.0
5 Entire home/apt 3.0 2013.0| (oder)
Wollen wir stattdessen alle Zeilen behalten, die den Zimmertyp Privatzimmer oder Baujahr 2005 haben, so können wir dies so umsetzen:
behalten = (df2['room type'] == 'Private room') | (df2['Construction year'] == 2005)
df2[behalten] room type minimum nights Construction year
0 Private room 10.0 2020.0
2 Private room 3.0 2005.0
3 Entire home/apt 30.0 2005.0Beachte, dass | in Python OR und nicht XOR bedeutet. XOR bedeutet, dass wirklich nur eine der beiden Bedingungen erfüllt sein darf. In diesem Fall wäre die mittlere, gefilterte Zeile dementsprechend nicht enthalten, da sie sowohl den Zimmertyp Privatzimmer als auch das Baujahr 2005 hat. Der XOR Operator ist ^.
Klammern
Schließlich muss klar sein, dass die Klammern in der Bedingung nicht nur für die Lesbarkeit, sondern auch für die korrekte Ausführung notwendig sind. Um dies zu demonstrieren wollen wir folgende drei Bedingungen vorbereiten und sie dann mal in verschiedenen Kombinationen ausführen, wobei die Operatoren & und | aber uvnerändert bleiben:
bed1 = df2['Construction year'] > 2005
bed2 = df2['room type'] == 'Private room'
bed3 = df2['minimum nights'] > 15df2[bed1 & bed2 | bed3] room type minimum nights Construction year
0 Private room 10.0 2020.0
1 Entire home/apt 30.0 2007.0
3 Entire home/apt 30.0 2005.0df2[bed1 & (bed2 | bed3)] room type minimum nights Construction year
0 Private room 10.0 2020.0
1 Entire home/apt 30.0 2007.0Es zeigt sich, dass die unterschiedliche Setzung von Klammern auch zu unterschiedlich gefilterten Ergebnissen führen. Ohne Klammern wird zuerst bed1 & bed2 berechnet und dann mit bed3 verknüpft. Mit Klammern wird zuerst bed2 | bed3 berechnet und dann mit bed1 verknüpft.
Die .isin() Methode
Eine weitere Möglichkeit, mehrere Bedingungen zu verknüpfen, ist die .isin() Methode. Diese Methode prüft, ob ein Wert in einer Liste von Werten enthalten ist. Sie prüft also in gewisser Hinsicht mehrere Bedingungen gleichzeitig. Hier der Vergleich um mit und ohne .isin() zu filtern ob das Baujahr 2020, 2009 oder 2005 ist:
ist_2020 = df2['Construction year'] == 2020
ist_2009 = df2['Construction year'] == 2009
ist_2005 = df2['Construction year'] == 2005
df2[ist_2020 | ist_2009 | ist_2005] room type minimum nights Construction year
0 Private room 10.0 2020.0
2 Private room 3.0 2005.0
3 Entire home/apt 30.0 2005.0
4 Entire home/apt 10.0 2009.0ok_jahre = [2020, 2009, 2005]
ist_ok = df2['Construction year'].isin(ok_jahre)
df2[ist_ok] room type minimum nights Construction year
0 Private room 10.0 2020.0
2 Private room 3.0 2005.0
3 Entire home/apt 30.0 2005.0
4 Entire home/apt 10.0 2009.0Die .between() Methode
Die .between() Methode ist eine weitere Möglichkeit, um Bedingungen zu formulieren. Sie prüft, ob ein Wert zwischen zwei anderen Werten liegt. Hier der Vergleich um mit und ohne .between() zu filtern ob das Baujahr zwischen 2006 und 2015 liegt:
ist_nach_2008 = df2['Construction year'] > 2006
ist_vor_2015 = df2['Construction year'] < 2015
df2[ist_nach_2008 & ist_vor_2015] room type minimum nights Construction year
1 Entire home/apt 30.0 2007.0
4 Entire home/apt 10.0 2009.0
5 Entire home/apt 3.0 2013.0zwi = df2['Construction year'].between(2006, 2015)
df2[zwi] room type minimum nights Construction year
1 Entire home/apt 30.0 2007.0
4 Entire home/apt 10.0 2009.0
5 Entire home/apt 3.0 2013.0String-Methoden
Wie schon im letzten Kapitel zur Selektion von Spalten anhand ihres Namens, können natürlich auch hier beim Filtern String-Methoden wie .str.contains(), .str.startswith(), .str.endswith() zum Filtern von Text/String-Spalten eingesetzt werden. Als Beispiel könnten wir wie folgt feststellen, dass 800 unserer >100,000 Bezeichnung von AirBnB Unterkünften mit “Clean” beginnen:
beginnt_mit_Clean = df['NAME'].str.startswith('Clean', na=False)
df[beginnt_mit_Clean] NAME id ... house_rules license
0 Clean & quiet ap... 1001254 ... Clean up and tre... NaN
37 Clean and Quiet ... 1021771 ... NO Shoes in the ... NaN
180 Clean and Cozy H... 1100750 ... We live on the p... NaN
... ... ... ... ... ...
102384 Clean cozy overn... 20361660 ... We have a no sho... NaN
102468 Clean, Cozy Home... 20408053 ... All guests are e... NaN
102564 Clean & Cozy- Pr... 6075868 ... NaN NaN
[800 rows x 26 columns]
Hinweisna=False
Wie schon im letzten Kapitel erwähnt, gehen wir auf Fehlwerte erst in einem folgenden Kapitel ein. Dennoch muss in der obigen Funktion .str.startswith() der Parameter na=False gesetzt werden, um Fehlwerte zu ignorieren. Ohne dieses Argument würde die Funktion standardmäßig einen Fehler werfen, da in der Spalte NAME Fehlwerte enthalten sind und diese nich ohne weiteres verarbeitet werden.
Die .query() Methode
Man kann auch alternativ die .query() Methode zum Filtern von Zeilen verwenden. In diese Methode können wir prinzipiell dieselben Bedingungen schreiben wie in den vorherigen Beispielen, allerdings als String mit leicht abgeänderter Syntax. Hier eine direkt Gegenüberstellung:
df[df['NAME'] == 'Great Location for NYC'] NAME id ... house_rules license
89 Great Location f... 1050491 ... I just ask that ... NaN
[1 rows x 26 columns]df.query('NAME == "Great Location for NYC"') NAME id ... house_rules license
89 Great Location f... 1050491 ... I just ask that ... NaN
[1 rows x 26 columns]Allerdings müssten Spaltennamen, die Leerzeichen enthalten, in der .query() Methode in diese ` Anführungszeichen gesetzt werden.
df2[df2['Construction year'] == 2005] room type minimum nights Construction year
2 Private room 3.0 2005.0
3 Entire home/apt 30.0 2005.0df2.query('`Construction year` == 2005') room type minimum nights Construction year
2 Private room 3.0 2005.0
3 Entire home/apt 30.0 2005.0Die .query() Methode ist also schlichtweg eine alternative Schreibweise, die in manchen Fällen übersichtlicher sein kann. Darüber hinaus kann die .query() Methode in bestimmten Fällen schneller als die herkömmliche Methode sein.
Duplikate entfernen
Zuletzt wollen wir noch auf das Entfernen von Duplikaten eingehen, das letztendlich auch eine Form des Filterns ist. Hierbei wird jede Zeile mit einer anderen Zeile verglichen und entfernt, wenn sie identisch ist. Die Methode .duplicated() gibt eine Spalte mit True und False Werten zurück, die angibt, ob eine Zeile bereits vorher vorkam. Erzeugen wir uns zunächst einen noch kleineren Teildatensatz df3, in welchem identische Zeilen, also Duplikate vorliegen:
df3 = df2[['room type', 'minimum nights']]
df3 room type minimum nights
0 Private room 10.0
1 Entire home/apt 30.0
2 Private room 3.0
3 Entire home/apt 30.0
4 Entire home/apt 10.0
5 Entire home/apt 3.0#
df3.duplicated()0 False
1 False
2 False
3 True
4 False
5 False
dtype: boolEs wird also nur die erste auftretende Zeile als nicht dupliziert betrachtet. Die Kombination aus room type Entire home/apt und minimum nights 30.0 taucht also in der zweiten Zeile erstmals auf und ist dort somit nicht als Duplikat markiert. In der vierten Zeile taucht sie dann aber erneut auf und ist somit als Duplikat markiert. Um Duplikate zu entfernen könnten wir nun die durch .duplicated() erzeugte Series verwenden und sie mittels ~ umkehren. Allerdings gibt es auch die noch einfachere Variante .drop_duplicates(), die direkt die Duplikate entfernt:
df3[~df3.duplicated()] room type minimum nights
0 Private room 10.0
1 Entire home/apt 30.0
2 Private room 3.0
4 Entire home/apt 10.0
5 Entire home/apt 3.0df3.drop_duplicates() room type minimum nights
0 Private room 10.0
1 Entire home/apt 30.0
2 Private room 3.0
4 Entire home/apt 10.0
5 Entire home/apt 3.0Schließlich soll noch erwähnt sein, dass die Methode .drop_duplicates() auch die Möglichkeit bietet, bei der Einstufung was ein Duplikat ist, nur einige der vorhandenen Spalten zu berücksichten. Dazu wird der Parameter subset= verwendet, der eine Liste von Spaltennamen erwartet. Wir könnten also hier zur selben Aussortierung von Duplikaten wie soeben mit df3 kommen, auch wenn df2 zugrundeliegt. Dessen zusätzliche Spalte Construction year würde eigentlich dafür sorgen, dass die zweite und vierte Zeile nicht als Duplikate betrachtet werden, da sie ja unterschiedliche Baujahre vorweisen. Da wir diese Spalte aber nicht in die Überprüfung einbeziehen, werden sie dennoch als Duplikate betrachtet und entfernt:
df2.drop_duplicates() room type minimum nights Construction year
0 Private room 10.0 2020.0
1 Entire home/apt 30.0 2007.0
2 Private room 3.0 2005.0
3 Entire home/apt 30.0 2005.0
4 Entire home/apt 10.0 2009.0
5 Entire home/apt 3.0 2013.0df2.drop_duplicates(subset=['room type', 'minimum nights']) room type minimum nights Construction year
0 Private room 10.0 2020.0
1 Entire home/apt 30.0 2007.0
2 Private room 3.0 2005.0
4 Entire home/apt 10.0 2009.0
5 Entire home/apt 3.0 2013.0Zeilen sortieren
Zum Abschluss wollen wir noch kurz auf das Sortieren von Zeilen eingehen. Dies kann mit der Methode .sort_values() erreicht werden. Diese Methode erwartet den Namen der Spalte, nach der sortiert werden soll. Mit dem Parameter ascending= kann die Sortierreihenfolge festgelegt werden, wobei es standardmäßig auf True gesetzt ist, sodass die Werte von oben nach unten aufsteigen. Hier ein Beispiel, wie wir den Teildatensatz df2 nach der Spalte minimum nights sortieren:
df2.sort_values('minimum nights') room type minimum nights Construction year
2 Private room 3.0 2005.0
5 Entire home/apt 3.0 2013.0
0 Private room 10.0 2020.0
4 Entire home/apt 10.0 2009.0
1 Entire home/apt 30.0 2007.0
3 Entire home/apt 30.0 2005.0df2.sort_values('minimum nights', ascending=False) room type minimum nights Construction year
1 Entire home/apt 30.0 2007.0
3 Entire home/apt 30.0 2005.0
0 Private room 10.0 2020.0
4 Entire home/apt 10.0 2009.0
2 Private room 3.0 2005.0
5 Entire home/apt 3.0 2013.0Natürlich kann auch nach mehreren Spalten sortiert werden, indem eine Liste von Spaltennamen übergeben wird. Die Sortierreihenfolge wird dabei von links nach rechts festgelegt. Hier ein Beispiel, wie wir den Teildatensatz df2 zuerst nach room type (aufsteigend, alphabetisch) und dann (also innerhalb desselben room types) nach minimum nights (absteigend) sortieren:
df2.sort_values(
by=['room type', 'minimum nights'],
ascending=[True, False]
) room type minimum nights Construction year
1 Entire home/apt 30.0 2007.0
3 Entire home/apt 30.0 2005.0
4 Entire home/apt 10.0 2009.0
5 Entire home/apt 3.0 2013.0
0 Private room 10.0 2020.0
2 Private room 3.0 2005.0Es gibt auch eine analoge Methode .sort_index(), die den Index des Dataframes sortiert. Auch hier kann der Parameter ascending= verwendet werden.
Thematisch passend ist auch die Funktion .rank(), die die Ränge der Zeilen bestimmt. Das heißt, dass die Daten nicht sortiert zurückgegeben werden, sondern die Ränge der Zeilen in der ursprünglichen Reihenfolge. Hier ein Beispiel, wie wir den Teildatensatz df2 nach der Spalte Construction year ranken. Wann immer es ein Unentschieden gibt, wird der Durchschnittsrang vergeben. Man kann aber auch .astype(int) anhängen, um die Ränge in Ganzzahlen zu konvertieren.
Hinweis: Wir erzeugen hier eine neue Spalte rank, die die Ränge enthält. Eigentlich behandeln wir das erzeugen und bearbeiten von Spalten aber erst im nächsten Kapitel.
df5 = df2[['Construction year']]
df5['rank'] = df5['Construction year'].rank()
df5 Construction year rank
0 2020.0 6.0
1 2007.0 3.0
2 2005.0 1.5
3 2005.0 1.5
4 2009.0 4.0
5 2013.0 5.0df5 = df2[['Construction year']]
df5['rank'] = df5['Construction year'].rank().astype(int)
df5 Construction year rank
0 2020.0 6
1 2007.0 3
2 2005.0 1
3 2005.0 1
4 2009.0 4
5 2013.0 5Übungen
In einem vorangegangenen Kapitel wurden bereits die Hilfsfunktionen .head() und .tail() vorgestellt, die die ersten bzw. letzten Zeilen eines Dataframes ausgeben. Wie könnte man mit .iloc[] zum selben Ergebnis kommen?
-
df.head()entsprichtdf.iloc[] -
df.tail()entsprichtdf.iloc[]
Die Spalte review rate number enthält die durchschnittliche Bewertung einer Unterkunft. Wie hoch ist der Durchschnitt der Bewertungen für die Unterkünfte, deren Name mit “Clean” beginnt im Vergleich zu den anderen Unterkünften? Hinweis 1: Du kannst z.B. .mean() direkt an einer (extrahierten) Series verwenden. Hinweis 2: Das Filtern von Unterkünften, deren Name mit “Clean” beginnt, wurde bereits oben im Text gezeigt.
Auf zwei Nachkommastellen gerundet haben Unterkünfte, deren Name
- mit “Clean” beginnt ein durchschnittliches Rating von
- nicht mit “Clean” beginnt ein durchschnittliches Rating von
Erzeuge zunächst den Teildatensatz df_ex, indem du folgenden Code ausführst:
pd.set_option('display.max_rows', 20)
df_ex = df[['neighbourhood', 'number of reviews', 'country code','host name']]
df_ex = df_ex[df_ex['host name'].str.startswith('Mari', na=False)]
df_ex = df_ex.head(20)
df_ex neighbourhood number of reviews country code host name
489 Fort Greene 35.0 US Maria
590 Chelsea 32.0 US Maria
1073 Sunset Park 28.0 US Maria Luiza
1187 Lower East Side 57.0 US Mariana
1302 East Village 115.0 US Marianna
1351 Upper East Side 12.0 US Marie-Jeanne
1425 Tottenville 59.0 US Marina
1470 Upper West Side 108.0 US Mariko
1508 Mariners Harbor 48.0 US Maria
1517 East New York 13.0 US Maria Daniela
1558 Concord 59.0 US Marianne
1570 Concord 36.0 US Marianne
1622 Arrochar 1.0 US Marina
1680 Upper West Side 9.0 US Mariko
1684 East Harlem 24.0 US Mariko
1714 Harlem 97.0 US Marie
1741 Williamsburg 121.0 US Mariana
1824 West Village 38.0 US Marina
1864 Chelsea 2.0 US Marie
1944 Greenwich Village 17.0 US MarioSorge nun dafür, dass von df_ex nur die Zeilen gefiltert werden, in denen der Host “Maria” heißt ohne aber die Spalte host name in deinem Code zu benutzen. Anders ausgedrückt: Tu für deine Vorgehensweise so als wäre die Spalte mit der Bezeichnunge host name nicht im Datensatz, filte aber dennoch so, dass nur die Zeilen gefiltert werden, in denen der Host “Maria” heißt.
Erzeuge nun selbst basierend auf dem vollen Datensatz df einen Teildatensatz, welcher (i) nur die Spalten NAME, neighbourhood und host name enthält und (ii) nur die Zeilen, in denen der Host “Peter” heißt. Entferne schließlich Duplikate so, dass pro Neighbourhood nur eine Zeile übrig bleibt.
- Der resultierende Datensatz hat Zeilen. Demnach gibt es entsprechend viele verschiedene Neighbourhoods mit mindestens einem Host names Peter.