Данные бывают разной природы, и для всяких наблюдений есть подходящие графики. Например, если нужно продемонстрировать доли от 100%, строят круговую диаграмму. В методе plot() задают тип: kind='pie' (от англ. pie chart — «диаграмма-пирог», похожа на круглый пирог, поделённый на дольки). Столбец с данными для диаграммы указывают в параметре y метода plot().

На графике же нужно отразить факт, что каждая сеть АЗС — это отдельный объект, никак не связанный с ближайшими соседями в рейтинге. Для анализа таких наблюдений лучше подходит столбчатый график, он подчёркивает изолированность данных.

Столбчатый график строят методом plot(), параметром передают тип графика: kind='bar' (от англ. bar chart — «столбчатая диаграмма»). Однако график может быть не наглядным, ведь сетей много и лишь несколько из них — крупные. Лучше объединить все мелкие сети и отрисовать как один столбец.

Данные по малым сетям можно просто отбросить, но полезнее сгруппировать их в «сеть» под названием «Другие», то есть сделать выборочное переименование. Так вы и данные не потеряете, и покажете отличие малых сетей от старших братьев.

Выборочно изменяют значения методом where() (пер. «где»). Ему передают два параметра: условие для булева массива и новые значения. Если условие равно True, соответствующее ему значение не изменится, а если False — поменяется на второй параметр метода. Возьмём, к примеру, список покупок:

shopping = pd.Series(['молоко', 'хамон', 'хлеб', 'картошка', 'огурцы'])
print(shopping)  # список того, что нужно купить
print()
print(
    shopping.where(shopping != 'хамон', 'обойдусь')
)  # тот же список после проверки баланса карты

Мы написали для булева массива условие, проверяющее, не оказался ли элемент списка хамоном: shopping != 'хамон'. Получили массив вида: [True, False, True, True, True]. Строки со значением True не изменились, а хамон поменялся на значение 'обойдусь'.

При объединении данных случается отбрасывать пустые значения. Вы знакомы с методом dropna() из вводного курса. Напомним, что он удаляет пропущенные значения из датафрейма. Когда нужно удалить строки с пропусками в конкретном столбце, его название передают параметру subset метода dropna():

Задача 1/7

Итак, вы выявили аномалии, отфильтровали данные, создали показатели для типичного времени заезда и изучили влияние большого числа аномальных заездов на эти показатели. Проверьте всё ещё разок, прежде чем делиться результатами. Для начала визуализируйте распределение лучших показателей заездов с типичной продолжительностью по сетям АЗС.

Выполните следующие шаги, используя чистый код. Не вводите вспомогательные переменные — помните о бритве Оккама:

1. Упорядочьте таблицу final_stat по возрастанию лучших показателей из столбца median_time. median_time— это медиана для распределения медианной продолжительности заправки по АЗС в каждой сети.
2. Постройте столбчатый график по значениям median_time. Задайте размер графика 10х5 дюймов.

import pandas as pd

data = pd.read_csv('/datasets/visits.csv', sep='\t')

# фильтруем слишком быстрые и медленные заезды и АЗС
data['too_fast'] = data['time_spent'] < 60
data['too_slow'] = data['time_spent'] > 1000
too_fast_stat = data.pivot_table(index='id', values='too_fast')
good_ids = too_fast_stat.query('too_fast < 0.5')
good_data = data.query('id in @good_ids.index')
good_data = good_data.query('60 <= time_spent <= 1000')

# считаем данные по отдельным АЗС и по сетям
station_stat = data.pivot_table(index='id', values='time_spent', aggfunc='median')
good_stations_stat = good_data.pivot_table(index='id', values='time_spent', aggfunc='median')
stat = data.pivot_table(index='name', values='time_spent')
good_stat = good_data.pivot_table(index='name', values='time_spent', aggfunc='median')
stat['good_time_spent'] = good_stat['time_spent']

id_name = good_data.pivot_table(index='id', values='name', aggfunc=['first', 'count'])
id_name.columns = ['name', 'count']
station_stat_full = id_name.join(good_stations_stat)

# считаем показатели сетей из показателей АЗС,
# а не усреднённые заезды на все АЗС сети
good_stat2 = (
    station_stat_full
    .query('count > 30')
    .pivot_table(index='name', values='time_spent', aggfunc=['median', 'count'])
)
good_stat2.columns = ['median_time', 'stations']
final_stat = stat.join(good_stat2)
#print(final_stat)
(
    final_stat
    .sort_values(by='median_time')
    .plot(y='median_time', kind='bar', figsize=(10, 5))
)

Результат

Хорошо видно, как различаются сети. Есть группа сетей, где заправляют быстрее 200 секунд. И группа более медлительных конкурентов: с диапазоном 200–350 секунд. Утешительный приз в конкурсе «скорость без границ» получает сеть «Астильба», где ухитряются заправлять дольше 400 секунд. Наверное, там есть подкачка шин, телевизор и вкусный кофе.

Задача 2/7

Предыдущий столбчатый график отображал шесть сетей АЗС без данных: «Годецию», «Лобулярию», «Нарцисс», «Обриету» и «Фасоль». Это значения NaN в final_stat, которые появились, потому что вы исключили непопулярные АЗС. Таблица final_stat была создана объединением таблиц stat (включает все АЗС) и good_stat2 (исключает АЗС с малым числом заездов). Так как в join() по умолчанию левое соединение, индексы из final_stat будут идентичны индексам из stat. Поэтому любой индекс из таблицы stat, которого нет в таблице good_stat2, после объединения получит значение NaN. Наведите порядок в графике, удалив значения NaN.

Выполните следующие шаги, помня о бритве Оккама:

1. Отбросьте значения NaN в столбце median_time таблицы final_stat.
2. Упорядочьте таблицу final_stat по возрастанию значений в столбце median_time.
3. Постройте столбчатый график median_time. Задайте размер графика 10х5 дюймов. Добавьте линии сетки.

import pandas as pd

data = pd.read_csv('/datasets/visits.csv', sep='\t')

# фильтруем слишком быстрые и медленные заезды и АЗС
data['too_fast'] = data['time_spent'] < 60
data['too_slow'] = data['time_spent'] > 1000
too_fast_stat = data.pivot_table(index='id', values='too_fast')
good_ids = too_fast_stat.query('too_fast < 0.5')
good_data = data.query('id in @good_ids.index')
good_data = good_data.query('60 <= time_spent <= 1000')

# считаем данные по отдельным АЗС и по сетям
station_stat = data.pivot_table(index='id', values='time_spent', aggfunc='median')
good_stations_stat = good_data.pivot_table(index='id', values='time_spent', aggfunc='median')
stat = data.pivot_table(index='name', values='time_spent')
good_stat = good_data.pivot_table(index='name', values='time_spent', aggfunc='median')
stat['good_time_spent'] = good_stat['time_spent']

id_name = good_data.pivot_table(index='id', values='name', aggfunc=['first', 'count'])
id_name.columns = ['name', 'count']
station_stat_full = id_name.join(good_stations_stat)

# считаем показатели сетей из показателей АЗС,
# а не усреднённые заезды на все АЗС сети
good_stat2 = (
    station_stat_full
    .query('count > 30')
    .pivot_table(index='name', values='time_spent', aggfunc=['median', 'count'])
)
good_stat2.columns = ['median_time', 'stations']
final_stat = stat.join(good_stat2)

(
    final_stat
    .dropna(subset=['median_time'])
    .sort_values(by='median_time')
    .plot(y='median_time', kind='bar', figsize=(10, 5), grid=True)
)

Результат

Теперь ничего лишнего. Хорошо видна условная граница, разделяющая «быстрые» и «медленные» сети.

Что даёт этот факт? Клиентам «быстрых» АЗС оплата заправки через Яндекс.Навигатор вряд ли принесёт много пользы. Они и без этого и заправляются, и платят быстро. А вот клиентам АЗС, чьи процессы отлажены не так хорошо, Яндекс.Навигатор поможет проводить меньше времени на станции. А сами АЗС могли бы значительно улучшить показатели.

От аналитика ждут, что он укажет, кого избрать ключевым партнёром. А какая «медленная» сеть всех крупнее, всех масштабнее и виднее?

Задача 3/7

До этого момента вы фильтровали данные по количеству заездов на одну АЗС и по длительности заправки. Но стоит учесть ещё одну переменную: число АЗС внутри сетей. С точки зрения маркетинга интересны и сети с большей продолжительностью заправки, и сети, в которых много АЗС. Значит, нужно исключить те сети, в которых заправочных станций мало. А для начала посмотрите, как число заправочных станций распределяется по сетям.

Используя данные из таблицы final_stat, постройте гистограмму, отображающую число АЗС внутри сетей. Поделите значения на 100 корзин.

import pandas as pd

data = pd.read_csv('/datasets/visits.csv', sep='\t')

# фильтруем слишком быстрые и медленные заезды и АЗС
data['too_fast'] = data['time_spent'] < 60
data['too_slow'] = data['time_spent'] > 1000
too_fast_stat = data.pivot_table(index='id', values='too_fast')
good_ids = too_fast_stat.query('too_fast < 0.5')
good_data = data.query('id in @good_ids.index')
good_data = good_data.query('60 <= time_spent <= 1000')

# считаем данные по отдельным АЗС и по сетям
station_stat = data.pivot_table(index='id', values='time_spent', aggfunc='median')
good_stations_stat = good_data.pivot_table(index='id', values='time_spent', aggfunc='median')
stat = data.pivot_table(index='name', values='time_spent')
good_stat = good_data.pivot_table(index='name', values='time_spent', aggfunc='median')
stat['good_time_spent'] = good_stat['time_spent']

id_name = good_data.pivot_table(index='id', values='name', aggfunc=['first', 'count'])
id_name.columns = ['name', 'count']
station_stat_full = id_name.join(good_stations_stat)

# считаем показатели сетей из показателей АЗС,
# а не усреднённые заезды на все АЗС сети
good_stat2 = (
    station_stat_full
    .query('count > 30')
    .pivot_table(index='name', values='time_spent', aggfunc=['median', 'count'])
)
good_stat2.columns = ['median_time', 'stations']
final_stat = stat.join(good_stat2)

final_stat.hist(column='stations', bins=100)

Результат

Сеть — это звучит гордо! Особенно когда в сети всего одна АЗС. У нас таких «гордых» целых 15. Есть и такие, у которых меньше 10 станций, и отдельные большие сети. Крупные рыбы интересуют нас в первую очередь, а мальков нужно собрать в одной группе.

import pandas as pd

data = pd.read_csv('/datasets/visits.csv', sep='\t')

# фильтруем слишком быстрые и медленные заезды и АЗС
data['too_fast'] = data['time_spent'] < 60
data['too_slow'] = data['time_spent'] > 1000
too_fast_stat = data.pivot_table(index='id', values='too_fast')
good_ids = too_fast_stat.query('too_fast < 0.5')
good_data = data.query('id in @good_ids.index')
good_data = good_data.query('60 <= time_spent <= 1000')

# считаем данные по отдельным АЗС и по сетям
station_stat = data.pivot_table(index='id', values='time_spent', aggfunc='median')
good_stations_stat = good_data.pivot_table(index='id', values='time_spent', aggfunc='median')
stat = data.pivot_table(index='name', values='time_spent')
good_stat = good_data.pivot_table(index='name', values='time_spent', aggfunc='median')
stat['good_time_spent'] = good_stat['time_spent']

id_name = good_data.pivot_table(index='id', values='name', aggfunc=['first', 'count'])
id_name.columns = ['name', 'count']
station_stat_full = id_name.join(good_stations_stat)

# считаем показатели сетей из показателей АЗС,
# а не усреднённые заезды на все АЗС сети
good_stat2 = (
    station_stat_full
    .query('count > 30')
    .pivot_table(index='name', values='time_spent', aggfunc=['median', 'count'])
)
good_stat2.columns = ['median_time', 'stations']
final_stat = stat.join(good_stat2)
#print(final_stat.head())
big_nets_stat = final_stat.query('stations > 10')
print(big_nets_stat)

Задача 5/7

Теперь можно разделить все сети на две группы: «Большая восьмёрка» и «Другие». Вторая группа будет восприниматься как одна большая сеть.

Лучшие показатели средней продолжительности заправки содержатся в таблице good_stat2 и рассчитываются по данным station_stat_full (просмотрите код, чтобы вспомнить эти вычисления). Повторите вычисления, но вместо того, чтобы группировать данные по столбцу name, сгруппируйте данные по новому столбцу, содержащему категорию Другие. Чтобы создать этот столбец в таблице station_stat_full, примените метод where() для сравнения столбца name в station_stat_full с индексами big_nets_stat.

Выполните следующие шаги:

1. Добавьте в таблицу station_stat_full новый столбец group_name.
2. Поместите в столбец group_name значения столбца name, если сеть присутствует в big_nets_stat. Если столбец name отсутствует, поместите в group_name значения из Другие.
3. Выведите на экран первые пять строк таблицы station_stat_full.

Задача 6/7

У вас есть категория Другие с небольшими сетями. Теперь повторите анализ, в процессе которого создали good_stat2, но в этот раз сгруппируйте данные по group_name.

Выполните следующие шаги:

1. Создайте переменную stat_grouped, которая повторяет вычисления good_stat2, но группирует по group_name.
2. Переименуйте столбцы в stat_grouped на time_spent и count.
3. Упорядочьте stat_grouped по возрастанию значений столбца time_spent. Убедитесь, что изменение постоянное, а не временное.
4. Выведите на экран stat_grouped.

import pandas as pd

data = pd.read_csv('/datasets/visits.csv', sep='\t')

# фильтруем слишком быстрые и медленные заезды и АЗС
data['too_fast'] = data['time_spent'] < 60
data['too_slow'] = data['time_spent'] > 1000
too_fast_stat = data.pivot_table(index='id', values='too_fast')
good_ids = too_fast_stat.query('too_fast < 0.5')
good_data = data.query('id in @good_ids.index')
good_data = good_data.query('60 <= time_spent <= 1000')

# считаем данные по отдельным АЗС и по сетям
station_stat = data.pivot_table(index='id', values='time_spent', aggfunc='median')
good_stations_stat = good_data.pivot_table(index='id', values='time_spent', aggfunc='median')
stat = data.pivot_table(index='name', values='time_spent')
good_stat = good_data.pivot_table(index='name', values='time_spent', aggfunc='median')
stat['good_time_spent'] = good_stat['time_spent']

id_name = good_data.pivot_table(index='id', values='name', aggfunc=['first', 'count'])
id_name.columns = ['name', 'count']
station_stat_full = id_name.join(good_stations_stat)

# считаем показатели сетей из показателей АЗС,
# а не усреднённые заезды на все АЗС сети
good_stat2 = (
    station_stat_full
    .query('count > 30')
    .pivot_table(index='name', values='time_spent', aggfunc=['median', 'count'])
)
good_stat2.columns = ['median_time', 'stations']
final_stat = stat.join(good_stat2)

big_nets_stat = final_stat.query('stations > 10')
station_stat_full['group_name'] = (
    station_stat_full['name']
    .where(station_stat_full['name'].isin(big_nets_stat.index), 'Другие')
)

stat_grouped = (
    station_stat_full
    .query('count > 30')
    .pivot_table(index='group_name', values='time_spent', aggfunc=['median', 'count'])
)
stat_grouped.columns = ['time_spent', 'count']
stat_grouped = stat_grouped.sort_values(by='time_spent')
print(stat_grouped)

Задача 7/7

Теперь у вас есть таблица с лучшими показателями типичной продолжительности заезда для крупных сетей АЗС. Дальше уже команде маркетинга решать, сколько сил тратить на то, чтобы завоевать «Розу» (типичная продолжительность заезда 350 секунд, 18 заправочных станций) или «Василька» (типичная продолжительность заезда 252 секунды, 103 заправочные станции).

В следующем уроке вы сделаете финальную проверку, а пока визуализируйте относительную величину этих сетей с точки зрения количества заправочных станций.

По данным stat_grouped постройте круговую диаграмму с числом АЗС в каждой сети. Задайте её размер 8x8 дюймов.

import pandas as pd

data = pd.read_csv('/datasets/visits.csv', sep='\t')

# фильтруем слишком быстрые и медленные заезды и АЗС
data['too_fast'] = data['time_spent'] < 60
data['too_slow'] = data['time_spent'] > 1000
too_fast_stat = data.pivot_table(index='id', values='too_fast')
good_ids = too_fast_stat.query('too_fast < 0.5')
good_data = data.query('id in @good_ids.index')
good_data = good_data.query('60 <= time_spent <= 1000')

# считаем данные по отдельным АЗС и по сетям
station_stat = data.pivot_table(index='id', values='time_spent', aggfunc='median')
good_stations_stat = good_data.pivot_table(index='id', values='time_spent', aggfunc='median')
stat = data.pivot_table(index='name', values='time_spent')
good_stat = good_data.pivot_table(index='name', values='time_spent', aggfunc='median')
stat['good_time_spent'] = good_stat['time_spent']

id_name = good_data.pivot_table(index='id', values='name', aggfunc=['first', 'count'])
id_name.columns = ['name', 'count']
station_stat_full = id_name.join(good_stations_stat)

# считаем показатели сетей из показателей АЗС,
# а не усреднённые заезды на все АЗС сети
good_stat2 = (
    station_stat_full
    .query('count > 30')
    .pivot_table(index='name', values='time_spent', aggfunc=['median', 'count'])
)
good_stat2.columns = ['median_time', 'stations']
final_stat = stat.join(good_stat2)

big_nets_stat = final_stat.query('stations > 10')
station_stat_full['group_name'] = (
    station_stat_full['name']
    .where(station_stat_full['name'].isin(big_nets_stat.index), 'Другие')
)

stat_grouped = (
    station_stat_full
    .query('count > 30')
    .pivot_table(index='group_name', values='time_spent', aggfunc=['median', 'count'])
)
stat_grouped.columns = ['time_spent', 'count']

stat_grouped.plot(y='count', kind='pie', figsize=(8,8))

Результат

Вы получили финальный список наиболее интересных АЗС: «Роза». Самая медленная среди крупных сетей. «Василёк». Вторая по медлительности, но очень крупная по размеру сеть АЗС. «Календула». Близка по времени к «Васильку» и вторая по величине. «Немезия». Последняя из медленных и сравнительно крупных АЗС.

Задача 1/3

Напоследок посмотрите, как продолжительность заездов распределяется по девяти сетям («Большая восьмёрка» и «Другие»). Загвоздка может быть вот в чём: если продолжительность сильно различается, то сравнивать показатели разных сетей будет неправильно.

Например, если в одной сети больше АЗС с продолжительностью заездов по 60–70 секунд, чем в других, это может понижать медианное значение. Чтобы проверить, не происходит ли такое, сгруппируйте данные из good_data по group_name и постройте гистограммы. Первым делом создайте столбец для группировки.

Выполните следующие шаги:

1. Создайте столбец group_name в таблице good_data так же, как делали раньше в station_stat_full.
2. Выведите на экран первые 5 строк good_data, чтобы проверить работу нового столбца.

import pandas as pd

data = pd.read_csv('/datasets/visits.csv', sep='\t')

# фильтруем слишком быстрые и медленные заезды и АЗС
data['too_fast'] = data['time_spent'] < 60
data['too_slow'] = data['time_spent'] > 1000
too_fast_stat = data.pivot_table(index='id', values='too_fast')
good_ids = too_fast_stat.query('too_fast < 0.5')
good_data = data.query('id in @good_ids.index')
good_data = good_data.query('60 <= time_spent <= 1000')

# считаем данные по отдельным АЗС и по сетям
station_stat = data.pivot_table(index='id', values='time_spent', aggfunc='median')
good_stations_stat = good_data.pivot_table(index='id', values='time_spent', aggfunc='median')
stat = data.pivot_table(index='name', values='time_spent')
good_stat = good_data.pivot_table(index='name', values='time_spent', aggfunc='median')
stat['good_time_spent'] = good_stat['time_spent']

id_name = good_data.pivot_table(index='id', values='name', aggfunc=['first', 'count'])
id_name.columns = ['name', 'count']
station_stat_full = id_name.join(good_stations_stat)

# считаем показатели сетей из показателей АЗС,
# а не усреднённые заезды на все АЗС сети
good_stat2 = (
    station_stat_full
    .query('count > 30')
    .pivot_table(index='name', values='time_spent', aggfunc=['median', 'count'])
)
good_stat2.columns = ['median_time', 'stations']
final_stat = stat.join(good_stat2)

big_nets_stat = final_stat.query('stations > 10')
station_stat_full['group_name'] = (
    station_stat_full['name']
    .where(station_stat_full['name'].isin(big_nets_stat.index), 'Другие')
)

stat_grouped = (
    station_stat_full
    .query('count > 30')
    .pivot_table(index='group_name', values='time_spent', aggfunc=['median', 'count'])
)
stat_grouped.columns = ['time_spent', 'count']

good_data['group_name'] = (
    good_data['name']
    .where(good_data['name'].isin(big_nets_stat.index), 'Другие')
)
print(good_data.head())

Задача 3/3

Теперь, когда есть столбец group_name, сгруппируйте good_data и постройте гистограмму, чтобы увидеть, как распределяется продолжительность заездов в каждой сети.

Выполните следующие шаги:

1. Сгруппируйте good_data по group_name, используя цикл for. Используйте в цикле переменные name и group_data.
2. В каждой итерации group_data вызывайте метод hist(), чтобы построить гистограмму по значениям time_spent на 50 корзин.

import pandas as pd

data = pd.read_csv('/datasets/visits.csv', sep='\t')

# фильтруем слишком быстрые и медленные заезды и АЗС
data['too_fast'] = data['time_spent'] < 60
data['too_slow'] = data['time_spent'] > 1000
too_fast_stat = data.pivot_table(index='id', values='too_fast')
good_ids = too_fast_stat.query('too_fast < 0.5')
good_data = data.query('id in @good_ids.index')
good_data = good_data.query('60 <= time_spent <= 1000')

# считаем данные по отдельным АЗС и по сетям
station_stat = data.pivot_table(index='id', values='time_spent', aggfunc='median')
good_stations_stat = good_data.pivot_table(index='id', values='time_spent', aggfunc='median')
stat = data.pivot_table(index='name', values='time_spent')
good_stat = good_data.pivot_table(index='name', values='time_spent', aggfunc='median')
stat['good_time_spent'] = good_stat['time_spent']

id_name = good_data.pivot_table(index='id', values='name', aggfunc=['first', 'count'])
id_name.columns = ['name', 'count']
station_stat_full = id_name.join(good_stations_stat)

# считаем показатели сетей из показателей АЗС,
# а не усреднённые заезды на все АЗС сети
good_stat2 = (
    station_stat_full
    .query('count > 30')
    .pivot_table(index='name', values='time_spent', aggfunc=['median', 'count'])
)
good_stat2.columns = ['median_time', 'stations']
final_stat = stat.join(good_stat2)

big_nets_stat = final_stat.query('stations > 10')
station_stat_full['group_name'] = (
    station_stat_full['name']
    .where(station_stat_full['name'].isin(big_nets_stat.index), 'Другие')
)

stat_grouped = (
    station_stat_full
    .query('count > 30')
    .pivot_table(index='group_name', values='time_spent', aggfunc=['median', 'count'])
)
stat_grouped.columns = ['time_spent', 'count']

good_data['group_name'] = (
    good_data['name']
    .where(good_data['name'].isin(big_nets_stat.index), 'Другие')
)
for name,group_data in good_data.groupby('group_name'):
    group_data.hist('time_spent', bins=50)

Результат

Ловкость автоматизации и никакого ручного перебора! Вы получили все гистограммы. Красота. Не хватает самой малости: названий сетей.

import pandas as pd

data = pd.read_csv('/datasets/visits.csv', sep='\t')

# фильтруем слишком быстрые и медленные заезды и АЗС
data['too_fast'] = data['time_spent'] < 60
data['too_slow'] = data['time_spent'] > 1000
too_fast_stat = data.pivot_table(index='id', values='too_fast')
good_ids = too_fast_stat.query('too_fast < 0.5')
good_data = data.query('id in @good_ids.index')
good_data = good_data.query('60 <= time_spent <= 1000')

# считаем данные по отдельным АЗС и по сетям
station_stat = data.pivot_table(index='id', values='time_spent', aggfunc='median')
good_stations_stat = good_data.pivot_table(index='id', values='time_spent', aggfunc='median')
stat = data.pivot_table(index='name', values='time_spent')
good_stat = good_data.pivot_table(index='name', values='time_spent', aggfunc='median')
stat['good_time_spent'] = good_stat['time_spent']

id_name = good_data.pivot_table(index='id', values='name', aggfunc=['first', 'count'])
id_name.columns = ['name', 'count']
station_stat_full = id_name.join(good_stations_stat)

# считаем показатели сетей из показателей АЗС,
# а не усреднённые заезды на все АЗС сети
good_stat2 = (
    station_stat_full
    .query('count > 30')
    .pivot_table(index='name', values='time_spent', aggfunc=['median', 'count'])
)
good_stat2.columns = ['median_time', 'stations']
final_stat = stat.join(good_stat2)

big_nets_stat = final_stat.query('stations > 10')
station_stat_full['group_name'] = (
    station_stat_full['name']
    .where(station_stat_full['name'].isin(big_nets_stat.index), 'Другие')
)

stat_grouped = (
    station_stat_full
    .query('count > 30')
    .pivot_table(index='group_name', values='time_spent', aggfunc=['median', 'count'])
)
stat_grouped.columns = ['time_spent', 'count']

good_data['group_name'] = (
    good_data['name']
    .where(good_data['name'].isin(big_nets_stat.index), 'Другие')
)

for name,group_data in good_data.groupby('group_name'):
    group_data.plot(
        y = 'time_spent',
        title = name,
        kind='hist', 
        bins=50)

Результат

Распределение времени заправок по сетям выглядит логичным и более-менее одинаковым: больших скачков из-за коротких заездов не наблюдается. Можно не волноваться!

Заключение

В этой теме вы перепроверяли реалистичность данных: строили графики, переименовывали, группировали и строили новые графики.

У многих сетей АЗС явно обнаруживается аномальный пик на коротких заездах. Но в основном распределение имеет ожидаемую форму, а значит, медиана хорошо передаёт характерное время заправки.

Вы действительно выявили много долгих заправок в самых медленных сетях АЗС («Роза», «Календула», «Василёк», «Немезия»). Причём форма распределения достаточно плавная: не походит на явную аномалию в продолжительности заправки.

Данные действительно реалистичны — значит, курс пройден не зря :)

Заберите с собой

Чтобы ничего не забыть, скачайте шпаргалку и конспект темы.

Где ещё почитать про группировку данных

«Первичный анализ данных с Pandas», раздел «Группировка данных» — группировка с groupby.
«Аналитикам: большая шпаргалка по Pandas», раздел «Считаем производные метрики» — примеры groupby.