Pandas с нуля. Часть 10: reshape и временные ряды — resample…

Это часть 10 из 10 курса «Pandas с нуля для аналитика».

Финальная тема — и самая «магическая» на собесах. Reshape (переформатирование таблиц) и временные ряды — то, на чём junior'ы спотыкаются, а senior'ы экономят часы. Когда ты умеешь крутить таблицу из «широкой» в «длинную» и обратно, считать скользящее среднее одной строкой и сравнивать «сегодня vs вчера» — ты перестаёшь писать костыли и начинаешь думать как аналитик.

Что разберёшь в этом уроке

• Зачем вообще «крутить» таблицы
• pivot vs pivot_table — в чём разница и когда что
• melt — складываем таблицу обратно в длинную
• stack / unstack — то же самое, но через индекс
• Сортировка и ранги: sort_values, sort_index, rank, nlargest
• Временные ряды: превращаем строки в настоящие даты
• resample: группировка по времени (день/неделя/месяц)
• rolling: скользящее среднее и сглаживание
• shift, diff, pct_change: сравниваем с прошлым

Частые вопросы

Чем pivot отличается от melt в pandas?

pivot разворачивает длинный формат в широкий (значения из колонки становятся отдельными столбцами), а melt делает обратное — сворачивает широкую таблицу в длинную с колонками variable и value. melt нужен для приведения данных к tidy-формату.

Как агрегировать временной ряд по дням, неделям или месяцам?

Используйте resample на DataFrame с DatetimeIndex: df.resample('M')['sales'].sum() для помесячной суммы, 'W' для недель, 'D' для дней. Это аналог groupby по периодам времени с автоматическим заполнением пропущенных интервалов.

Когда использовать rolling и что он считает?

rolling считает скользящие оконные метрики: df['sales'].rolling(7).mean() даёт скользящее среднее за 7 периодов для сглаживания тренда. В отличие от resample, который меняет частоту, rolling сохраняет число строк и движется окном по ряду.