Python Jiří Znamenáček Pandas – Pozorování vodních ptáků 2025-06-12

Jako další praktický příklad na použití knihovny Pandas si zpracujeme pozorování vodních ptáků na rybnících v jižních Čechách (konkrétně jde o vybranou podmnožinu rybníků z jara 2025). Struktura dat je následující: 

        RYBNÍK    DRUH_CZ              SAMCI    SAMICE    DOSPĚLCI    MLÁĎATA
        ...
        3133      kachna divoká        8        5         13          
        3133      polák chocholačka    6        5         11          
        3132      labuť velká                             3           2
        3132      kachna divoká        14       5         19          
        ...

Tj. pro každý rybník (uvedený číselným kódem) jsou zapsány počty dospělých ptáků a mláďat daného druhu a dá-li se snadno rozlišit samce a samice, jsou zapsány i jejich počty.

Ve skutečnosti v datech mláďata skoro vůbec nejsou a počet dospělců by měl odpovídat součtu samic a samců. Navíc jsou některé druhy na některých rybnících pozorovány – a tím pádem i zapsány – vícekrát na různých místech.

Naším úkolem je do nového excelovského souboru vypsat všechny druhy spolu s počtem dospělých jedinců a počtem rybníků, na nichž byl uvedený druh pozorován.

Vidíme, že v datech chybí spousta hodnot:

Přestože v excelovském souboru je pro tyto buňky předepsán typ číslo, Pandas chybějící hodnoty nahrazuje různými svými vlastními konstantami – pro číselné hodnoty np.nan, pro časové údaje pd.NaT a pro pole a další pd.NA. Především u celých čísel pak základní problém spočívá v tom, že přítomnost np.nan způsobí přetypování celého sloupečku na np.float64 (případně object)!

Současná (a zpětně kompatibilní) výchozí pravidla pro určení typu hodnot můžete obejít, pokud pro problémové sloupce předepíšete typy ručně rovnou při importu:

Řetězec 'Int64' je alias na rozšiřující pandí typ pd.Int64Dtype(). Ve výpise se pak takovéto hodnoty hlásí jako <NA>.

První sloupeček byl automaticky rozpoznán jako np.int64. Proto začíná pandí alias na velké I, aby se to nepletlo.

Protože v datech chybí hodnoty mezi samci a samicemi nepravidelně a protože numerické operace zahrnující <NA> vrací také <NA>, je snažší nahradit chybějící hodnoty nulou a teprve pak zkontrolovat správnost čísel ve sloupci DOSPĚLCI:

Jelikož máme vypsat celkové počty dospělců a obsazené rybníky pro každý druh, musíme nejdříve získat seznam všech druhů:

PS: Jelikož sloupce SAMCI a SAMICE již pro další výpočty nepotřebujeme, vypustil jsem pro přehlednost jejich přetypovávání na "Int64".

Jak je vidět, na některých rybnících nebyl pozorován žádný pták, řádky s hodnotou 'bez ptáků' tak musíme z dalšího zpracování vynechat.

Ověřme si nejdříve například pro racka chcechtavého, jak vypadají jeho data:

Vidíme, že na rybníce 2923 byl pozorován – a zapsán – na dvou různých místech. Odpovídající záznam ve výsledné tabulce pro něj tudíž musí obsahovat 4 rybníky (a ne pět) a celkem 14 dospělých jedinců.

Nyní tedy již víme, že pro každý druh musíme spočítat jeho jedinečné rybníky a sečíst všechna čísla pro dospělce. Procyklíme tudíž data přes všechny druhy a zjištěné údaje přidáme do nového DataFrameu (output), který na konci zapíšeme do souboru:

Kód se také trošku zesložitil přidáním řazení podle pravidel českého jazyka, protože jinak by čáp s čírkou byli až úplně na konci.

Jelikož Pandas vyexportuje data včetně indexového sloupce (zde je jím výchozí číslování celými čísly od 0), je tento v Excelu potlačen volbou parametru output.to_excel('…', index=False).

Výstup předchozího programu na konzoli je následující: