Natuurlijk! Hier is een overzicht van hoe je dynamische aggregaties en pivot-tabellen kunt maken in Pandas, inclusief Python-codevoorbeelden en uitleg: 1. Data voorbereiden Zorg dat je DataFrame correct is opgebouwd, bijvoorbeeld: ```python import pandas as pd # Voorbeeld DataFrame data = { 'Category': ['Elektronica', 'Elektronica', 'Kleding', 'Kleding'], 'Year': [2020, 2021, 2020, 2021], 'Sales': [1000, 1500, 500, 700], 'Profit': [200, 300, 50, 80] } df = pd.DataFrame(data) ``` 2. Meerdere aggregatiefuncties toepassen op verschillende kolommen Gebruik `agg()` met een dictionary om verschillende functies te specificeren: ```python # Groeperen op 'Category' en 'Year' # Toepassen van meerdere aggregaties op 'Sales' en 'Profit' aggregatie_resultaat = df.groupby(['Category', 'Year']).agg({ 'Sales': ['sum', 'mean', 'max'], # Som, gemiddelde, maximum 'Profit': ['sum', 'mean'] # Som en gemiddelde }) print(aggregatie_resultaat) ``` *Waarom?* Met `agg()` kun je voor elke kolom verschillende functies specificeren, wat handig is voor uitgebreide analyses. 3. Data groeperen en overzichtelijk maken Gebruik `.groupby()` en `.reset_index()` om overzichtelijke rapportages te maken: ```python # Groeperen en resetten van index voor een platte tabel groeped_df = df.groupby(['Category', 'Year']).agg({ 'Sales': 'sum', 'Profit': 'sum' }).reset_index() print(groeped_df) ``` *Waarom?* Resetten van de index maakt de data makkelijker te gebruiken en te lezen. 4. Pivot-tabellen maken voor samenvatting Gebruik `pivot_table()` voor overzichtelijke samenvattingen: ```python # Pivot-tabel met 'Category' als index, 'Year' als kolommen pivot = pd.pivot_table(df, index='Category', columns='Year', values='Sales', aggfunc='sum', fill_value=0) print(pivot) ``` *Waarom?* Pivot-tabellen geven snelle, overzichtelijke samenvattingen en maken het makkelijk om data te vergelijken. 5. Dynamische aggregaties op basis van invoer Je kunt functies of lijsten gebruiken om flexibel aggregaties toe te passen: ```python # Dynamisch kiezen van aggregatiefuncties functions = ['sum', 'mean'] aggregaties = df.groupby('Category').agg({ 'Sales': functions, 'Profit': functions }) print(aggregaties) ``` *Waarom?* Flexibiliteit in je code maakt het aanpassen van analyses eenvoudiger. Samenvatting: - Gebruik `.groupby()` met `.agg()` voor multi-aggregatie. - Reset de index voor overzichtelijkheid. - Maak pivot-tabellen voor vergelijkingen. - Maak de code flexibel voor dynamische analyses. Wil je dat ik een specifiek voorbeeld voor jouw dataset maak?

Zeker, hier is een uitgebreide handleiding voor dynamische aggregaties en pivot-tabellen in Pandas: ## 1. Basis DataFrame Setup ```python import pandas as pd import numpy as np # Voorbeeld data aanmaken data = { 'Category': ['Elektronica', 'Elektronica', 'Kleding', 'Kleding', 'Elektronica', 'Kleding'], 'Year': [2020, 2021, 2020, 2021, 2020, 2021], 'Sales': [15000, 18000, 8000, 9500, 12000, 11000], 'Profit': [3000, 4000, 2000, 2500, 2800, 2200] } df = pd.DataFrame(data) print("Originele DataFrame:") print(df) ``` ## 2. Groeperen met Meerdere Aggregatiefuncties ```python # Groeperen op Category met meerdere aggregaties category_analysis = df.groupby('Category').agg({ 'Sales': ['sum', 'mean', 'std'], 'Profit': ['sum', 'mean', 'max', 'min'] }).round(2) print("\nGroepering per Category met meerdere aggregaties:") print(category_analysis) ``` **Waarom belangrijk**: Je kunt verschillende statistieken per groep berekenen zonder meerdere queries te schrijven. ## 3. Multi-level Groepering ```python # Groeperen op Category en Year multi_group = df.groupby(['Category', 'Year']).agg({ 'Sales': ['sum', 'mean', 'count'], 'Profit': ['sum', 'mean', 'profit_margin'] # profit_margin is een custom functie }) print("\nMulti-level groepering:") print(multi_group) ``` ## 4. Pivot-tabellen met Diverse Aggregaties ```python # Dynamische pivot-tabel met meerdere waarden pivot_table = pd.pivot_table( df, values=['Sales', 'Profit'], index='Category', columns='Year', aggfunc={'Sales': [np.sum, np.mean], 'Profit': [np.sum, np.max]}, fill_value=0 ) print("\nPivot-tabel met meerdere aggregaties:") print(pivot_table) ``` **Waarom belangrijk**: Pivot-tabellen herschikken data voor betere leesbaarheid en vergelijking tussen dimensies. ## 5. Dynamische Aggregatie met Custom Functies ```python # Custom aggregatiefuncties definiëren def profit_margin(series): return (series['Profit'].sum() / series['Sales'].sum()) * 100 def growth_rate(series): return series.pct_change() * 100 # Toepassen in aggregatie dynamic_analysis = df.groupby(['Category', 'Year']).apply( lambda x: pd.Series({ 'total_sales': x['Sales'].sum(), 'avg_profit': x['Profit'].mean(), 'profit_margin_pct': profit_margin(x) }) ).reset_index() print("\nDynamische analyse met custom functies:") print(dynamic_analysis) ``` ## 6. Geavanceerde Pivot met Margins ```python # Pivot met totalen (margins) advanced_pivot = pd.pivot_table( df, values=['Sales', 'Profit'], index='Category', columns='Year', aggfunc=np.sum, margins=True, margins_name='Totaal' ) print("\nPivot-tabel met totalen:") print(advanced_pivot) ``` ## 7. Data Herschikken voor Rapportages ```python # Data transformeren voor rapportage report_data = df.pivot_table( index=['Category', 'Year'], values=['Sales', 'Profit'], aggfunc='sum' ).unstack().fillna(0) print("\nGeschikte vorm voor rapportages:") print(report_data) ``` **Belangrijke voordelen**: - **Efficiëntie**: Één query i.p.v. meerdere - **Flexibiliteit**: Makkelijk aggregatiefuncties aanpassen - **Leesbaarheid**: Data in logische structuren - **Analyse**: Snelle inzichten door groepering Deze technieken helpen je om complexe data-analyses uit te voeren en professionele rapportages te genereren!