Pivot

• Tworzenie szerszego pivotu pozwala na przekształcenie danych z formatu długiego na szeroki
  • ułatwia analizę porównawczą między kategoriami
  • wyniki są bardziej czytelne dla ludzi, ale trudniejsze do dalszych przekształceń
  • znacznie ogranicza redundancję danych (nie powtarza kategorii)
  • Metoda przyjmuje następujące argumenty:
    • index='Date' - kolumna, która stanie się indeksem w nowej tabeli
    • columns='Product' - kolumna, której unikalne wartości staną się nowymi kolumnami
    • values='Sales' - kolumna, której wartości wypełnią komórki nowej tabeli
    • reset_index() - opcjonalne, pozwala na przekształcenie indeksu w standardową kolumnę

df_wide = df.pivot(index='Date', columns='Product', values='Sales').reset_index()

• Tworzenie dłuższego pivotu (melt()) to odwrotna operacja do pivot
  • przekształca dane z formatu szerokiego na długi
  • przydatne do analizy statystycznej, która często wymaga formatu długiego
  • zwiększa redundancję danych, ale ułatwia filtrowanie i grupowanie
  • Kluczowe argumenty dla melt():
    • id_vars='Date' - kolumny, które pozostaną niezmienione
    • var_name='Product' - nazwa nowej kolumny przechowującej nagłówki kolumn z tabeli źródłowej
    • value_name='Sales' - nazwa nowej kolumny przechowującej wartości

df_long = df_wide.melt(id_vars='Date', var_name='Product', value_name='Sales')

Pewnie! Oto krótkie, uporządkowane notatki w stylu pasującym do Twoich wcześniejszych — dotyczące wczytywania i zapisywania plików w pandas, w tym również z GitHuba: