python - 如何在熊猫中进行这种聚合?
问题描述
我有一个包含分类列和数值列的数据框,我希望根据分类列的值对数值列(最大值、最小值、总和...)上的值进行一些聚合(所以我必须为每个分类列可以采用的每个值)。
为了让它更不稳定,最好放一个玩具例子。
假设我有这个数据框:
import pandas as pd
df = pd.DataFrame({
'ref' : [1, 1, 1, 2, 2, 3],
'value_type' : ['A', 'B', 'A', 'C', 'C', 'A'],
'amount' : [100, 50, 20, 300, 150, 70]
}).set_index(['ref'])
value_type amount
ref
1 A 100
1 B 50
1 A 20
2 C 300
2 C 150
3 A 70
我想对 value_type 的值进行分组,也为每个参考分组。这种情况下的结果(假设只需要总和)将是这个:
df_result = pd.DataFrame({
'ref' : [1, 2, 3],
'sum_amount_A' : [120, 0, 70],
'sum_amount_B' : [50, 0, 0],
'sum_amount_C' : [0, 450, 0]
}).set_index('ref')
sum_amount_A sum_amount_B sum_amount_C
ref
1 120 50 0
2 0 0 450
3 70 0 0
我尝试了一些可行的方法,但效率极低。大约需要几分钟来处理 30.000 行。
我所做的是:(我有一个数据框,每个索引引用只有一行,称为 df_final)
df_grouped = df.groupby(['ref'])
for ref in df_grouped.groups:
df_aux = df.loc[[ref]]
column = 'A' # I have more columns, but for illustration one is enough
for value in df_aux[column].unique():
df_aux_column_value = df_aux.loc[df_aux[column] == value]
df_final.at[ref,'sum_' + column + '_' + str(value)] = np.sum(df_aux_columna_valor[column])
我敢肯定应该有更好的方法来进行这种聚合......在此先感谢!
编辑:
当只有一列可供分组时,给出的答案是正确的。在真实的数据框中,我有几列我想计算一些 agg 函数,但分别计算每列上的值。我的意思是我不希望列值的每个组合都有一个聚合值,而只需要列本身。
让我们举个例子。
import pandas as pd
df = pd.DataFrame({
'ref' : [1, 1, 1, 2, 2, 3],
'sexo' : ['Hombre', 'Hombre', 'Hombre', 'Mujer', 'Mujer', 'Hombre'],
'lugar_trabajo' : ['Campo', 'Ciudad', 'Campo', 'Ciudad', 'Ciudad', 'Campo'],
'dificultad' : ['Alta', 'Media', 'Alta', 'Media', 'Baja', 'Alta'],
'amount' : [100, 50, 20, 300, 150, 70]
}).set_index(['ref'])
这个数据框看起来像这样:
sexo lugar_trabajo dificultad amount
ref
1 Hombre Campo Alta 100
1 Hombre Ciudad Media 50
1 Hombre Campo Alta 20
2 Mujer Ciudad Media 300
2 Mujer Ciudad Baja 150
3 Hombre Campo Alta 70
如果我按几列分组,或者制作一个数据透视表(据我所知,这在某种程度上是等效的),请执行以下操作:
df.pivot_table(index='ref',columns=['sexo','lugar_trabajo','dificultad'],values='amount',aggfunc=[np.sum,np.min,np.max,len], dropna=False)
我将得到一个包含 48 列的数据框(因为我有 3 * 2 * 2 个不同的值和 4 个 agg 函数)。
实现我想要的结果的一种方法是:
df_agregado = pd.DataFrame(df.index).set_index('ref')
for col in ['sexo','lugar_trabajo','dificultad']:
df_agregado = pd.concat([df_agregado, df.pivot_table(index='ref',columns=[col],values='amount',aggfunc=[np.sum,np.min,np.max,len])],axis=1)
我一个人做每一组,然后把它们全部连接起来。这样我得到 28 列(2 * 4 + 3 * 4 + 2 * 4)。它可以工作并且速度很快,但它不是很优雅。有没有其他方法可以得到这个结果??
解决方案
更有效的方法是使用 Pandas 内置函数而不是for
循环。您应该采取两个主要步骤。首先,您不仅需要按索引分组,还需要按索引和列分组:
res = df.groupby(['ref','value_type']).sum()
print(res)
这一步的输出是这样的:
amount
ref value_type
1 A 120
B 50
2 C 450
3 A 70
其次,需要对multi index进行unstack,如下:
df2 = res.unstack(level='value_type',fill_value=0)
输出将是您想要的输出:
amount
value_type A B C
ref
1 120 50 0
2 0 0 450
3 70 0 0
作为可选步骤,您可以使用droplevel
它来展平它:
df2.columns = df2.columns.droplevel()
value_type A B C
ref
1 120 50 0
2 0 0 450
3 70 0 0
推荐阅读
- c++ - C++11 条件变量语义
- python - 如何序列化字符串列表
- flutter - 我怎样才能做颤振网格菜单水平滚动?
- c# - c# 实例化一个List
使用 AS ... 初学者问题 - windows - 如何在 Windows API 中查询驱动器的制造商?
- html - 如何在不设置溢出的情况下解决“宽度:水平滚动时比 flexbox 父级大 100% 的子级”:隐藏;
- flutter - Flutter:将视频通话和服务器/云视频通话记录添加到远程医疗应用程序
- flutter - 如何在单页 Flutter WEB 应用中跟踪用户旅程?
- c++ - -9'223'372'036'854'775'808LL 无符号
- python - Django Rest Framework 中 register() 中的 base_name 参数出错