分析这些数据时我哪里出错了？

Question

试图找出出勤率的趋势。我将现有的 df 过滤为此，因此我可以一次查看 1 个活动。

+---+-----------+-------+----------+-------+---------+
|   |   Date    |  Org  | Activity | Hours | Weekday |
+---+-----------+-------+----------+-------+---------+
| 0 | 8/3/2020  | Org 1 | Gen Ab   | 10.5  | Monday  |
| 1 | 8/25/2020 | Org 1 | Gen Ab   | 2     | Tuesday |
| 3 | 8/31/2020 | Org 1 | Gen Ab   | 8.5   | Monday  |
| 7 | 8/10/2020 | Org 2 | Gen Ab   | 1     | Monday  |
| 8 | 8/14/2020 | Org 3 | Gen Ab   | 3.5   | Friday  |
+---+-----------+-------+----------+-------+---------+

这段代码：

gen_ab = att_df.loc[att_df['Activity'] == "Gen Ab"]
sum_gen_ab = gen_ab.groupby(['Date', 'Activity']).sum()
sum_gen_ab.head()

返回这个：

+------------+----------+------------+
|            |          |   Hours    |
+------------+----------+------------+
| Date       | Activity |            |
| 06/01/2020 | Gen Ab   | 347.250000 |
| 06/02/2020 | Gen Ab   | 286.266667 |
| 06/03/2020 | Gen Ab   | 169.583333 |
| 06/04/2020 | Gen Ab   | 312.633333 |
| 06/05/2020 | Gen Ab   | 317.566667 |
+------------+----------+------------+

如何使总和列名称为“小时”？当我这样做时，我仍然得到相同的结果：

sum_gen_ab['Hours'] = gen_ab.groupby(['Date', 'Activity']).sum()

我最终想要做的是有一个折线图，它显示了一段时间内活动的总小时数。时间当然是我的 df 中的日期。

plt.plot(sum_gen_ab['Date'], sum_gen_ab['Hours'])
plt.show()

返回 KeyError：日期

Answer 1

一旦您使用了groupby(['Date', 'Activity'])，日期和活动已被转换为索引，不能用sum_gen_ab['Date'] 引用。

为避免将它们转换为索引，您可以改用 groupby(['Date', 'Activity'], as_index=False)。

Answer 2

我通常会使用 pandasql 库将我的数据帧操作到不同的数据集中。这允许您使用 SQL 代码操作您的 pandas 数据框。 Pandasql 可以与 pandas 一起使用。

示例：

import pandas as pd
import pandasql as psql

df = "will be your dataset"


new_dataset = psql.sqldf('''
SELECT DATE, ACTIVITY, SUM(HOURS) as SUM_OF_HOURS
FROM df
GROUP BY DATE, ACTIVITY''')

new_dataset.head() #Shows the first 5 rows of your dataset