Pandas multi Index#
.set_index() Method#
প্রয়োজনীয় data-set যা এই post এ ব্যবহার করা হয়েছে DOWNLOAD
এবং Official Doc
আমরা পূর্বেই দেখেছি যে, set_index() method ব্যবহার করে আমরা যে কোন column কে Index বানিয়ে ব্যবহার করতে পারি। কিন্তু যদি আমাদের nested index এর প্রয়োজন হয় তা হইলে আমরা আমাদের একাধিক index এর নাম .set_index() এর মাদ্ধমে defain করতে পারি। .set_index() এর parameter key তে আমরা column নাম Index হিসেবে define করি।
উদাহরণ হিসেবে আমরা নির্দিষ্ট data এ কোন country তে macBook এর price কত ছিল অথবা নির্দিষ্ট country তে কোন date এ MacBook এর price কত ছিল তা জানার জন্য আমাদের multiple index এর প্রয়োজন হয়।
আমরা multi-index এ dataFrame.sort_index() ব্যবহার করে আমরা Multiple Index কে একটার পর একটা Sort করতে পারি।
আমরা dataFrame.index.names ব্যবহার করে Index গুলোর নাম দেখতে পারি। এবং type(dataFrame.index) ব্যবহার করে Data Type দেখতে পাই MultiIndex।
Example:
import pandas as pd
bigmac = pd.read_csv("bigmac.csv", parse_dates = ["Date"])
bigmac.head(3)
bigmac.set_index(keys = ["Date","Country"], inplace = True) # work with respected Index data as mach as a layer keys=[Index1,Index2]
bigmac.head(3)
bigmac.sort_index() # sort data in alpha numaric. here Now Date Is 1st index, country is 2nd index
# see name of Index by
bigmac.index.names
bigmac.index.names[0]
# we can see its type as multindex by
type(bigmac.index)
OUTPUT:
pandas.core.indexes.multi.MultiIndex
.get_level_values() Method#
আমরা data-frame define করার সময়ই index_col=[“column1”, “column2”] define করার মাদ্ধমে multi-index ডিফাইন করতে পারি। set_index() method এর বদলে index_col ব্যবহার করা যায়। কিন্তু good practice হিসেবে আমি set_index() method কে prefer করি।
multi index এর ক্ষেত্রে যদি আমাদের specific index এর data নিয়ে কাজ করতে হয় তা হইলে dataFrame.index এর দ্বারা প্রয়োজনীয় index diclar করা যায়। আমরা index এর নাম অথবা index এর possition define করে index এর সব data pick করতে পারি।
অথবা specific index এর value data-frame হিসেবে পেতে হইলে .get_level_values() ব্যবহার করতে হবে।
dataFrame.index.get_level_values() তে আমরা index এর নাম অথবা index এর possition define করে index এর সব data এর একটি data-frame পেতে পারি।
Example
import pandas as pd
bigmac = pd.read_csv("bigmac.csv", parse_dates = ["Date"], index_col = ["Date", "Country"])
bigmac.sort_index(inplace = True)
bigmac.head(3)
# we can see all index by
bigmac.index
bigmac.index[0]
# we can see the value of our index by
bigmac.index.get_level_values(1)
bigmac.index.get_level_values("Date")
OUTPUT:
DatetimeIndex(['2010-01-01', '2010-01-01', '2010-01-01', '2010-01-01',
'2010-01-01', '2010-01-01', '2010-01-01', '2010-01-01',
'2010-01-01', '2010-01-01',
...
'2016-01-01', '2016-01-01', '2016-01-01', '2016-01-01',
'2016-01-01', '2016-01-01', '2016-01-01', '2016-01-01',
'2016-01-01', '2016-01-01'],
dtype='datetime64[ns]', name='Date', length=652, freq=None)
.set_names() Method#
অনেক সময় data-frame এর column’s name বা label’s name পরিবর্তন করার প্রয়োজন হয় এই ক্ষেত্রে dataframe.index.set_names([“1st Label New Name”,”2ne Label New Name”]) ব্যবহার করতে পারি।
যদি আমরা কোন label’s name পরিবর্তন করতে না চাই তা হইলে আমরা label টার যে নাম আছে তাই New Name এ ব্যবহার করব।
Example
import pandas as pd
bigmac = pd.read_csv("bigmac.csv", parse_dates = ["Date"], index_col = ["Date", "Country"])
bigmac.sort_index(inplace = True)
bigmac.head(3)
# We can change our Index Name By set new index name as
bigmac.index.set_names(["Day", "Location"], inplace = True)
bigmac.head(3)
OUTPUT:
| Price in US Dollars | ||
|---|---|---|
| Day | Location | |
| 2010-01-01 | Argentina | 1.84 |
| Australia | 3.98 | |
| Brazil | 4.76 |
.sort_index() Method#
আমরা জানি .sort_index() এর দ্বারা data-frame এর index এর value গুলো sort করা যায়।
multi index এ label value গুলো যদি random order বা custom order এ sort করতে চাই তা হইলে আমাদের ascinding = True বা ascinding = False(decending) define করতে হবে। একটা list এর দ্বারা সকল index এর sort type define boolen formate এ define করা যায়। dataFrame.sort_index(ascending = [boolen, boolen]) দ্বারা define করা হয়।
Example
import pandas as pd
bigmac = pd.read_csv("bigmac.csv", parse_dates = ["Date"], index_col = ["Date", "Country"])
bigmac.sort_index(inplace = True)
bigmac.head(3)
# we can sort all as ascending/discending or can be sort specific order in maltiIndex as
bigmac.sort_index(ascending = [True, False], inplace = True) # we sort Date ascending and Country Descending
bigmac.head()
OUTPUT:
| Price in US Dollars | ||
|---|---|---|
| Date | Country | |
| 2010-01-01 | Uruguay | 3.32 |
| United States | 3.58 | |
| Ukraine | 1.83 | |
| UAE | 2.99 | |
| Turkey | 3.83 |
.loc() Extract Rows from MultiIndex#
আমরা data-frame থেকে specific label value এর অন্তর্গত সব value এর একটি নতুন data-frame পাওয়ার জন্য dataframe.loc[(“outer_index_value_name”, “inner_index_value_name”), “label_name” ] এই syntex ব্যবহার করতে পারি।
উদাহরণ স্বরূপ আপনি specific কোন outer index data এর অন্তর্গত সকল value পেতে পারি । বা specific কোন outer index data এর অন্তর্গত specific কোন inner index data এর সকল value পেতে পারি। বা বা specific কোন outer index data এর অন্তর্গত specific কোন inner index data এর সকল value নির্দিষ্ট কিছু label এর জন্য পেতে পারি।
NOTE: ‘ix’ pandas 1.0.0 থেকে remove করে দেওয়া হয়েছে , পূর্বের version গুলোতে কাজ করে। install previous version যদি .ix[] use করতে হয়। conda install pandas=0.25.1
Example
import pandas as pd
bigmac = pd.read_csv("bigmac.csv", parse_dates = ["Date"], index_col = ["Date", "Country"])
bigmac.sort_index(inplace = True)
bigmac.head(3)
'''
# same using .ix() # .ix() need pandas 0.25 version
bigmac.ix[("2010-01-01","China")]
bigmac.ix[("2010-01-01","China"), 0] # if we have more column we can be define after index tuple
'''
# loc accept index level
bigmac.loc[("2010-01-01")] # all data inside "2010-01-01" outer-index name
bigmac.loc[("2010-01-01","China")] # all data inside "2010-01-01" outer-index and inside "China" inner index name
# if we have more column we can be define after index tuple
bigmac.loc[("2010-01-01","China"), "Price in US Dollars"] # all data inside "2010-01-01" outer-index
# and inside "China" name,
# only for "Price in US Dollars" label
OUTPUT:
Date Country
2010-01-01 China 1.83
Name: Price in US Dollars, dtype: float64
.transpose() Method#
আমরা যদি row এবং column এর axis পরিবর্তন করতে চাই বা data-frame টাকে vertical axis থেকে horizontal axis বানাইতে চাই তা হইলে dataframe.transpose() ব্যবহার করে তা করতে পারি।
Example
import pandas as pd
bigmac = pd.read_csv("bigmac.csv", parse_dates = ["Date"], index_col = ["Date", "Country"])
bigmac.sort_index(inplace = True)
bigmac.head(3)
# replace rows to columns and columns to row
bigmac = bigmac.transpose()
bigmac.head(3)
#bigmac.loc["Price in US Dollars", ("2016-01-01", "Denmark")] #filter data
OUTPUT:
| Date | 2010-01-01 | ... | 2016-01-01 | ||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Country | Argentina | Australia | Brazil | Britain | Canada | Chile | China | Colombia | Costa Rica | Czech Republic | ... | Switzerland | Taiwan | Thailand | Turkey | UAE | Ukraine | United States | Uruguay | Venezuela | Vietnam |
| Price in US Dollars | 1.84 | 3.98 | 4.76 | 3.67 | 3.97 | 3.18 | 1.83 | 3.91 | 3.52 | 3.71 | ... | 6.44 | 2.08 | 3.09 | 3.41 | 3.54 | 1.54 | 4.93 | 3.74 | 0.66 | 2.67 |
1 rows × 652 columns
.swaplevel() Method#
প্রয়োজনে multi Index এ inner label আর outer label column গুলো exchange করতে পারি। dataFrame.swaplevel() ব্যবহার করে inner label কে outer label আর outer label কে inner label এ পরিণত করা যায়।
Example
import pandas as pd
bigmac = pd.read_csv("bigmac.csv", parse_dates = ["Date"], index_col = ["Date", "Country"])
bigmac.sort_index(inplace = True)
bigmac.head(3)
# if your index have more than 2 level then need to swap by
bigmac = bigmac.swaplevel() # no inplace parameter, need to declar as bigmac = bigmac.swaplevel()
bigmac.head(3)
OUTPUT:
| Price in US Dollars | ||
|---|---|---|
| Country | Date | |
| Argentina | 2010-01-01 | 1.84 |
| Australia | 2010-01-01 | 3.98 |
| Brazil | 2010-01-01 | 4.76 |
.stack() Method#
data-frame এর প্রতিটা index label value এর জন্য অন্য সব label ভালুএ এর মান কি তা দেখার জন্য dataFrame.stack() ব্যবহার করা হয়। আমরা একটি index value এর জন্য অন্য সব label value এর মান তারপর next index value এর জন্য অন্য সব label value এর মান এইভাবে পর্যায়ক্রমে data সাজিয়া data-frame বানানর জন্য .stack() method ব্যবহার করতে পারি।
Example
import pandas as pd
world = pd.read_csv("worldstats.csv",index_col = ["country","year"])
world.head(3)
# display total value for a specific multiIndex by
a = world.stack()
type(world.stack()) # its a series
# we can convert series to dataFrame by .to_frame()
a.to_frame()
OUTPUT:
| 0 | |||
|---|---|---|---|
| country | year | ||
| Arab World | 2015 | Population | 3.920223e+08 |
| GDP | 2.530102e+12 | ||
| 2014 | Population | 3.842226e+08 | |
| GDP | 2.873600e+12 | ||
| 2013 | Population | 3.765043e+08 | |
| ... | ... | ... | ... |
| Zimbabwe | 1962 | GDP | 1.117602e+09 |
| 1961 | Population | 3.876638e+06 | |
| GDP | 1.096647e+09 | ||
| 1960 | Population | 3.752390e+06 | |
| GDP | 1.052990e+09 |
22422 rows × 1 columns
.unstack() Method#
আমরা যে কোন stack customize data কে unstack করে segmentation করার জন্য dataFrame.unstack() ব্যবহার করা হয়।
Example
import pandas as pd
world = pd.read_csv("worldstats.csv",index_col = ["country","year"])
world.head(3)
# display total value for a specific multiIndex by
a = world.stack()
# unstack besically reverse of stack method
a.unstack() # its unstack our created stack
b = a.unstack().unstack() # its change our multi layer's inner Index as column
c = a.unstack().unstack().unstack() # its make data frame to series
import pandas as pd
world = pd.read_csv("worldstats.csv",index_col = ["country","year"])
world.head(3)
a = world.stack()
a
a.unstack(2) # unstack 3 number column (Population,GDP)
a.unstack(0) # unstack 1 number column (country )
a.unstack(-1) # unstack last number column
a.unstack("country") # unstack 1 number column (country )
# we can unstack column as new levels
a.unstack(level = ["country", "year"])
s1 = a.unstack("year")
# we can fill NaN value with 0 or specific value by
s = a.unstack("year", fill_value = 0)
print(s)
OUTPUT:
| year | 1960 | 1961 | 1962 | 1963 | 1964 | 1965 | 1966 | 1967 | 1968 | 1969 | ... | 2006 | 2007 | 2008 | 2009 | 2010 | 2011 | 2012 | 2013 | 2014 | 2015 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| country | ||||||||||||||||||||||
| Afghanistan | Population | 8.994793e+06 | 9.164945e+06 | 9.343772e+06 | 9.531555e+06 | 9.728645e+06 | 9.935358e+06 | 1.014884e+07 | 1.036860e+07 | 1.059979e+07 | 1.084951e+07 | ... | 2.518362e+07 | 2.587754e+07 | 2.652874e+07 | 2.720729e+07 | 2.796221e+07 | 2.880917e+07 | 2.972680e+07 | 3.068250e+07 | 3.162751e+07 | 3.252656e+07 |
| GDP | 5.377778e+08 | 5.488889e+08 | 5.466667e+08 | 7.511112e+08 | 8.000000e+08 | 1.006667e+09 | 1.400000e+09 | 1.673333e+09 | 1.373333e+09 | 1.408889e+09 | ... | 7.057598e+09 | 9.843842e+09 | 1.019053e+10 | 1.248694e+10 | 1.593680e+10 | 1.793024e+10 | 2.053654e+10 | 2.004633e+10 | 2.005019e+10 | 1.919944e+10 | |
| Albania | Population | 0.000000e+00 | 0.000000e+00 | 0.000000e+00 | 0.000000e+00 | 0.000000e+00 | 0.000000e+00 | 0.000000e+00 | 0.000000e+00 | 0.000000e+00 | 0.000000e+00 | ... | 2.992547e+06 | 2.970017e+06 | 2.947314e+06 | 2.927519e+06 | 2.913021e+06 | 2.904780e+06 | 2.900247e+06 | 2.896652e+06 | 2.893654e+06 | 2.889167e+06 |
| GDP | 0.000000e+00 | 0.000000e+00 | 0.000000e+00 | 0.000000e+00 | 0.000000e+00 | 0.000000e+00 | 0.000000e+00 | 0.000000e+00 | 0.000000e+00 | 0.000000e+00 | ... | 8.992642e+09 | 1.070101e+10 | 1.288135e+10 | 1.204421e+10 | 1.192695e+10 | 1.289087e+10 | 1.231978e+10 | 1.278103e+10 | 1.327796e+10 | 1.145560e+10 | |
| Algeria | Population | 1.112489e+07 | 1.140486e+07 | 1.169015e+07 | 1.198513e+07 | 1.229597e+07 | 1.262695e+07 | 1.298027e+07 | 1.335420e+07 | 1.374438e+07 | 1.414444e+07 | ... | 3.374933e+07 | 3.426197e+07 | 3.481106e+07 | 3.540179e+07 | 3.603616e+07 | 3.671713e+07 | 3.743943e+07 | 3.818614e+07 | 3.893433e+07 | 3.966652e+07 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| Yemen, Rep. | GDP | 0.000000e+00 | 0.000000e+00 | 0.000000e+00 | 0.000000e+00 | 0.000000e+00 | 0.000000e+00 | 0.000000e+00 | 0.000000e+00 | 0.000000e+00 | 0.000000e+00 | ... | 1.908173e+10 | 2.563367e+10 | 3.039720e+10 | 2.845950e+10 | 3.090675e+10 | 3.107886e+10 | 3.207477e+10 | 3.595450e+10 | 0.000000e+00 | 0.000000e+00 |
| Zambia | Population | 3.049586e+06 | 3.142848e+06 | 3.240664e+06 | 3.342894e+06 | 3.449266e+06 | 3.559687e+06 | 3.674088e+06 | 3.792864e+06 | 3.916928e+06 | 4.047479e+06 | ... | 1.238151e+07 | 1.273868e+07 | 1.311458e+07 | 1.350785e+07 | 1.391744e+07 | 1.434353e+07 | 1.478658e+07 | 1.524609e+07 | 1.572134e+07 | 1.621177e+07 |
| GDP | 6.987397e+08 | 6.823597e+08 | 6.792797e+08 | 7.043397e+08 | 8.226397e+08 | 1.061200e+09 | 1.239000e+09 | 1.340639e+09 | 1.573739e+09 | 1.926399e+09 | ... | 1.275686e+10 | 1.405696e+10 | 1.791086e+10 | 1.532834e+10 | 2.026555e+10 | 2.345952e+10 | 2.550306e+10 | 2.804552e+10 | 2.713464e+10 | 2.120156e+10 | |
| Zimbabwe | Population | 3.752390e+06 | 3.876638e+06 | 4.006262e+06 | 4.140804e+06 | 4.279561e+06 | 4.422132e+06 | 4.568320e+06 | 4.718612e+06 | 4.874113e+06 | 5.036321e+06 | ... | 1.312794e+07 | 1.329780e+07 | 1.349546e+07 | 1.372100e+07 | 1.397390e+07 | 1.425559e+07 | 1.456548e+07 | 1.489809e+07 | 1.524586e+07 | 1.560275e+07 |
| GDP | 1.052990e+09 | 1.096647e+09 | 1.117602e+09 | 1.159512e+09 | 1.217138e+09 | 1.311436e+09 | 1.281750e+09 | 1.397002e+09 | 1.479600e+09 | 1.747999e+09 | ... | 5.443896e+09 | 5.291950e+09 | 4.415703e+09 | 8.157077e+09 | 9.422161e+09 | 1.095623e+10 | 1.239272e+10 | 1.349023e+10 | 1.419691e+10 | 1.389294e+10 |
504 rows × 56 columns
.pivot() Method#
যদি কোন label এ same value repeatedly থাকে তা হইলে আমরা dataFrame.pivot() ব্যবহার করে repeated value গুলোেকে label এবং অন্য label এ ঐ value গুলো এর যে মান আছে তা value হিসেবে define করতে পারি।
dataFrame.pivot(index, columns, values)
index এ আমরা যে label কে index বানাইতে চাই তা দিব।
columns এ যে label এ repeated value আছে বা যে label এর মানগুলোকে new label বানাইতে চাই তা দিব।
আর values এ আমরা new columns গুলো এর মান যে label থেকে হবে তা define করব।
Example
import pandas as pd
sales = pd.read_csv("salesmen.csv",parse_dates = ["Date"])
sales["Salesman"] = sales["Salesman"].astype("category")
sales.head(3)
# we can specifi all levels data to needed catagory by .pivot()
sales.pivot(index = "Date", columns = "Salesman", values = "Revenue")
OUTPUT:
| Salesman | Bob | Dave | Jeb | Oscar | Ronald |
|---|---|---|---|---|---|
| Date | |||||
| 2016-01-01 | 7172 | 1864 | 4430 | 5250 | 2639 |
| 2016-01-02 | 6362 | 8278 | 8026 | 8661 | 4951 |
| 2016-01-03 | 5982 | 4226 | 5188 | 7075 | 2703 |
| 2016-01-04 | 7917 | 3868 | 3144 | 2524 | 4258 |
| 2016-01-05 | 7837 | 2287 | 938 | 2793 | 7771 |
| ... | ... | ... | ... | ... | ... |
| 2016-12-27 | 2045 | 2843 | 6666 | 835 | 2981 |
| 2016-12-28 | 100 | 8888 | 1243 | 3073 | 6129 |
| 2016-12-29 | 4115 | 9490 | 3498 | 6424 | 7662 |
| 2016-12-30 | 2577 | 3594 | 8858 | 7088 | 2570 |
| 2016-12-31 | 3845 | 6830 | 9717 | 8408 | 2619 |
366 rows × 5 columns
.pivot_table() Method#
.pivot_table() method টা অনেকটা .pivot() method এর মত। .pivot_table() method এ অতিরিক্ত parameter হিসেবে aggfunc আছে, যা একটা label এর সমস্ত data গুলোকে নিয়ে, Arithmetic Operators করে থাকে। values label এর aggfunc হয়ে থাকে।
Example
import pandas as pd
foods = pd.read_csv("foods.csv")
foods.head(3)
# work like microsoft xl by .pivot_table
foods.pivot_table(values = "Spend", index = "Gender", aggfunc = "min")
# work with multiIndex
foods.pivot_table(values = "Spend", index = ["Gender","Item"], aggfunc = "max")
# for specific colums
foods.pivot_table(values = "Spend", index = ["Gender","Item"],columns = "City", aggfunc = "sum")
OUTPUT:
| City | New York | Philadelphia | Stamford | |
|---|---|---|---|---|
| Gender | Item | |||
| Female | Burger | 1239.04 | 1639.24 | 1216.02 |
| Burrito | 978.95 | 1458.76 | 1820.11 | |
| Chalupa | 876.58 | 1673.33 | 1602.35 | |
| Donut | 1446.78 | 1639.26 | 1656.96 | |
| Ice Cream | 1521.62 | 1479.22 | 1032.03 | |
| Sushi | 1480.29 | 1742.88 | 1459.91 | |
| Male | Burger | 1294.09 | 938.18 | 1439.16 |
| Burrito | 1399.40 | 1312.93 | 1300.29 | |
| Chalupa | 1227.77 | 1114.23 | 1150.26 | |
| Donut | 1345.27 | 1249.36 | 1421.13 | |
| Ice Cream | 1603.63 | 2191.27 | 1059.22 | |
| Sushi | 1396.15 | 1395.88 | 1267.82 |
pd.melt() Method#
.melt() method অনেক টা .pivot() method এর মত আবার অনেক টা বিপরীত। আমরা অনেকগুলো label থেকে specific label বানানর জন্য .melt() method use করে থাকি।
pandas.melt(dataframe, id_vars, var_name, value_name)
dataFrame এ আমরা dataFrame এর নাম define করব।
id_vars এ label define করব, যে label আমাদের index এর মত হবে।
var_name এ একটা নাম দিব যা একটা new label এর নাম হবে এবং var_name এর value গুলো অন্য সব label name compress হয়ে তৈরি হবে।
value_name এ একটা নাম দিব যা একটা new label এর নাম হবে এবং এর মান গুলো var_name এর মান হবে।
Example
import pandas as pd
sales = pd.read_csv("quarters.csv")
sales
pd.melt(sales, id_vars = "Salesman")
# give variable_name and value_name
pd.melt(sales, id_vars = "Salesman", var_name = "Quarter", value_name = "Revenue")
OUTPUT:
| Salesman | Quarter | Revenue | |
|---|---|---|---|
| 0 | Boris | Q1 | 602908 |
| 1 | Bob | Q1 | 43790 |
| 2 | Tommy | Q1 | 392668 |
| 3 | Travis | Q1 | 834663 |
| 4 | Donald | Q1 | 580935 |
| 5 | Ted | Q1 | 656644 |
| 6 | Jeb | Q1 | 486141 |
| 7 | Stacy | Q1 | 479662 |
| 8 | Morgan | Q1 | 992673 |
| 9 | Boris | Q2 | 233879 |
| 10 | Bob | Q2 | 514863 |
| 11 | Tommy | Q2 | 113579 |
| 12 | Travis | Q2 | 266785 |
| 13 | Donald | Q2 | 411379 |
| 14 | Ted | Q2 | 70803 |
| 15 | Jeb | Q2 | 600753 |
| 16 | Stacy | Q2 | 742806 |
| 17 | Morgan | Q2 | 879183 |
| 18 | Boris | Q3 | 354479 |
| 19 | Bob | Q3 | 297151 |
| 20 | Tommy | Q3 | 430882 |
| 21 | Travis | Q3 | 749238 |
| 22 | Donald | Q3 | 110390 |
| 23 | Ted | Q3 | 375948 |
| 24 | Jeb | Q3 | 742716 |
| 25 | Stacy | Q3 | 770712 |
| 26 | Morgan | Q3 | 37945 |
| 27 | Boris | Q4 | 32704 |
| 28 | Bob | Q4 | 544493 |
| 29 | Tommy | Q4 | 247231 |
| 30 | Travis | Q4 | 570524 |
| 31 | Donald | Q4 | 651572 |
| 32 | Ted | Q4 | 321388 |
| 33 | Jeb | Q4 | 404995 |
| 34 | Stacy | Q4 | 2501 |
| 35 | Morgan | Q4 | 293710 |