Изучаем работу с DataFrame в Python на примерах

Расширенные примеры работы с DataFrame

Как выполнить перекрёстную таблицу (crosstab) с несколькими агрегациями?

import pandas as pd
import numpy as np

# Данные о продажах
df_sales = pd.DataFrame({
    'Region': ['North', 'South', 'North', 'East', 'South', 'East'],
    'Product': ['A', 'A', 'B', 'A', 'B', 'B'],
    'Revenue': [100, 150, 80, 200, 120, 90],
    'Quantity': [10, 15, 8, 20, 12, 9]
})

# Перекрёстная таблица со средним доходом и суммой количества
ct = pd.crosstab(index=df_sales['Region'], columns=df_sales['Product'],
                 values=df_sales['Revenue'], aggfunc='mean')
print(ct)

Product     A      B
Region              
East     200.0   90.0
North    100.0   80.0
South    150.0  120.0

Как преобразовать DataFrame в формат длинный (melt) и обратно (pivot)?

# Исходные данные в широком формате
df_wide = pd.DataFrame({
    'ID': [1, 2],
    'Product_A': [100, 200],
    'Product_B': [150, 250]
})
print('Широкий формат:')
print(df_wide)

# Преобразование в длинный формат
df_long = pd.melt(df_wide, id_vars=['ID'], var_name='Product', value_name='Sales')
print('\nДлинный формат:')
print(df_long)

# Обратное преобразование через pivot (иногда нужен pivot_table)
df_back = df_long.pivot_table(index='ID', columns='Product', values='Sales', aggfunc='sum')
print('\nВосстановленный широкий формат:')
print(df_back)

Широкий формат:
   ID  Product_A  Product_B
0   1        100        150
1   2        200        250

Длинный формат:
   ID    Product  Sales
0   1  Product_A    100
1   2  Product_A    200
2   1  Product_B    150
3   2  Product_B    250

Восстановленный широкий формат:
Product  Product_A  Product_B
ID                          
1               100        150
2               200        250

Как применить rolling-функцию с несколькими столбцами?

# Данные временного ряда
df_ts = pd.DataFrame({
    'Date': pd.date_range('2023-01-01', periods=5, freq='D'),
    'Value': [10, 20, 15, 30, 25]
})
df_ts.set_index('Date', inplace=True)

# Скользящее среднее за 2 дня
df_ts['RollingMean'] = df_ts['Value'].rolling(window=2).mean()
print(df_ts)

            Value  RollingMean
Date                          
2023-01-01     10          NaN
2023-01-02     20         15.0
2023-01-03     15         17.5
2023-01-04     30         22.5
2023-01-05     25         27.5

Как создать сводную таблицу с несколькими уровнями индексов и столбцов?

# Данные с категориями
df_pivot = pd.DataFrame({
    'Year': [2020, 2020, 2021, 2021, 2020, 2021],
    'Quarter': ['Q1', 'Q2', 'Q1', 'Q2', 'Q1', 'Q2'],
    'Product': ['A', 'A', 'A', 'A', 'B', 'B'],
    'Sales': [100, 150, 120, 130, 80, 110]
})

pivot = df_pivot.pivot_table(index=['Year', 'Quarter'], 
                             columns='Product', 
                             values='Sales', 
                             aggfunc='sum', 
                             fill_value=0)
print(pivot)

Product         A   B
Year Quarter        
2020 Q1       100  80
     Q2       150   0
2021 Q1       120   0
     Q2       130 110

Как выполнить условное форматирование ячеек с помощью style?

# Создаём DataFrame со случайными числами
np.random.seed(42)
df_style = pd.DataFrame(np.random.randn(4, 3), columns=['A', 'B', 'C'])

# Функция для выделения отрицательных значений красным
def highlight_negative(val):
    color = 'red' if val < 0 else 'green'
    return f'color: {color}'

styled = df_style.style.applymap(highlight_negative)
# Для просмотра в Jupyter можно просто вывести styled
# Для сохранения в HTML:
html = styled.to_html()

Результат: таблица с зелёными положительными числами и красными отрицательными.