Data Science 100 Knock ~ Bataille pour moins que les débutants part3

C'est un record de lutte pour frapper 100 œufs sans connaître l'œuf du scientifique des données. C'est un mystère que je puisse terminer la course. ~~ Même s'il disparaît en cours de route, pensez qu'il n'est pas donné à Qiita. ~~

100 articles frappants 100 Knock Guide

** Faites attention si vous essayez de le faire car cela inclut des spoilers **

Au moment de la rédaction de l'article, il était terminé jusqu'au 27, mais il y avait beaucoup de styles d'écriture que je ne connaissais pas, et il y en avait beaucoup qui disaient "J'ai écrit ceci, mais la réponse était celle-ci", donc je vais le laisser comme mémo.

C'est difficile à voir! Cette façon d'écrire est dangereuse! Si vous avez des questions, n'hésitez pas à me le faire savoir. ~~ Je vais l'utiliser comme nourriture tout en souffrant de dommages à mon cœur.

Cette fois de 19 à 22. [Précédente] 10-18 Première fois avec la table des matières

La bataille commence ici

19e

P-19: Attribuez des rangs au bloc de données des détails du reçu (df_receipt) dans l'ordre décroissant du montant des ventes (montant) par article, et extrayez les 10 premiers articles. Les articles doivent afficher l'ID client (customer_id), le montant des ventes (montant) et le rang attribué. Si le montant (montant) des ventes est le même, le même classement sera donné.

L'exigence cette fois est

Il semble que ce soit pour faire une table en forme En SQL

rei.sql

SELECT　id,amo amo,
(SELECT count(amo) FROM df b WHERE a.amo < b.amo)+1 rank
FROM df a ORDER BY rank 

(J'ai frappé SQL après un long moment) Pour le moment, comptez le nombre de ventes b.amo qui sont supérieures aux ventes que ʻamo et ʻa.amo recherchent actuellement (car la plus grande est 0) + 1 Le contenu consiste à créer un classement et à ajouter cette colonne. ** Attention **: C'est un style d'écriture qui prend beaucoup de temps à calculer. Je l'ai essayé avec 10 coups SQL, mais cela a pris quelques minutes.

** Idem pour Dataframe ** df_receipt[['customer_id', 'amount']] Et rank column, et jointure (horizontalement) pour créer une table

Comment créer une colonne de classement df_receipt['amount'].rank(method='min', ascending=False)

• [Référence]

--ʻAscending = False, données en ordre décroissant (plus est prioritaire). --- method = 'min'` renvoie un petit nombre (valeur minimale) comme données de classement.

** Pour rejoindre horizontalement ** pd.concat ([['Colonne A'], ['Colonne B']], axe = 1) Il semble que pd.concat soit joint verticalement (le tableau est attaché au bas du tableau) lorsque axis est la valeur par défaut, mais est joint horizontalement lorsque ʻaxis = 1` est ajouté.

Enfin, si vous modifiez le nom de la colonne et triez par ordre croissant

mine19.py

df_tmp = pd.concat([df_receipt[['customer_id', 'amount']] ,df_receipt['amount'].rank(method='min', ascending=False)], axis=1)
df_tmp.columns = ['customer_id', 'amount', 'ranking']
df_tmp.sort_values('ranking', ascending=True).head(10)

Sera comme ça

** Bien sûr ** Je ne sais pas et c'est en conserve

20e

mine20.py

df=df_receipt
df=pd.concat([df[['customer_id','amount']] ,df['amount'].rank(method='first',ascending=False) ],axis=1)
df.columns=['customer_id','amount','ranking']
df.sort_values('ranking',ascending=True).head(10)

Je vais l'omettre car le 19 et certains contenus seront couverts La partie qui change

De plus, même si le montant (montant) des ventes est le même, donnez un classement différent.

Partie de. Autrement dit, comme affichage

Je veux prendre la forme.

-method = 'min' renvoie un petit nombre (valeur minimale) comme données de classement.

Vous pouvez changer cela, et après la conversion en données par ordre décroissant, en changeant min '' en premier '', les nombres seront numérotés dans l'ordre d'apparition.

21,22e

mine21.py

len(df_receipt)

mine22.py

len(df_receipt['customer_id'].unique())

~~ Avez-vous un commentaire? ~~ Si vous convertissez le 22e en SQL SELECT COUNT(DISTINCT customer_id) FROM receipt Je peux y aller. ~~ Qu'est-ce qui est le plus facile? ~~

Jusqu'à ici pour cette fois

J'ai senti que Python était plus rapide que SQL lorsque je comparais SQL et Python, alors j'ai finalement commencé à trouver un sens à l'utilisation de pandas. ~~ LIKE et SQL sont faciles ~~ Si vous résolvez simplement le problème, cela ne vous vient pas vraiment à l'esprit, alors j'aimerais à nouveau résoudre le problème, puis le régler.