(Optional) 1.4 То же на pandas — сортировка и медиана в pandas

Урок 1.3 в четырёх строках

Урок необязательный. Требуется библиотека pandas. Если её нет, код не запустится — на понимание модуля это не влияет, все навыки уже получены в уроках 1.1–1.3.

Сортировка, топ-K и медиана в уроке 1.3 заняли три тетради и десятки строк кода. В pandas каждое из них — один вызов.

df.sort_values("gross", ascending=False)   # сортировка
df.nlargest(5, "gross")                     # сразу топ-5
df["budget"].median()                       # медиана

Отдельно стоит nlargest: он делает то, о чём мы говорили в тетради 1.3.2 — берёт K лучших, не сортируя всю таблицу. На наших пяти тысячах строк разницы не почувствуешь, но на миллионах она принципиальная.

median и describe

Вспомни возню с чётностью из тетради 1.3.3: строк 5378, точной середины нет, надо брать два центральных значения и усреднять. median() делает это сам — тебе не нужно даже знать, чётное число строк или нет.

Это удобно и опасно одновременно. Удобно, потому что не ошибёшься. Опасно, потому что без урока 1.3.3 ты бы не понял, откуда у медианного бюджета взялись копейки на конце.

Есть и вызов, выдающий сводку сразу по всем числовым столбцам:

df.describe()

Он печатает количество, среднее, стандартное отклонение, минимум, максимум и три квартиля. Медиана прячется в нём под именем 50% — это и есть «значение, ниже которого лежит половина данных».

Сверь с уроком 1.3

Топ-5 тот же, что мы получали сортировкой руками: во главе «Avatar» с 2847.2 млн. Медианный бюджет 21.65 — ровно то число, что вышло у нас из двух центральных значений.

А теперь посмотри на столбец отношений целиком. У бюджета 1.664, у сборов 2.820, у оценки 0.983, у длительности 1.030. Сборы перекошены даже сильнее бюджета — среднее почти втрое больше медианы.

Одна строка кода дала картину, ради которой в уроке 1.3.3 мы писали функцию. Но заметь: прочитать эту картину ты можешь только потому, что знаешь, откуда берётся расхождение. Библиотека посчитала — понял человек.