Konwersja obiektu Panas GroupBy na DataFrame

Chcę nieco zmienić odpowiedź udzieloną przez Wesa, ponieważ wersja 0.16.2 wymaga as_index=False. Jeśli go nie ustawisz, otrzymasz pustą ramkę danych.

Źródło :

Funkcje agregujące nie zwrócą grup, które agregujesz, jeśli są nazwane kolumnami, gdy as_index=True jest domyślne. Zgrupowane kolumny będą indeksami zwracanego obiektu.

Przejście as_index=False zwróci grupy, które agregujesz, jeśli są nazwane kolumny.

Funkcje agregujące to takie, które zmniejszają wymiar zwracanych obiektów, na przykład: mean, sum, size, count, std, var, sem, describe, first, last, nth, min, max. Tak się dzieje, gdy robisz na przykład DataFrame.sum() i odzyskujesz Series.

Nth może działać jako reduktor lub filtr, patrz tutaj.

import pandas as pd

df1 = pd.DataFrame({"Name":["Alice", "Bob", "Mallory", "Mallory", "Bob" , "Mallory"],
                    "City":["Seattle","Seattle","Portland","Seattle","Seattle","Portland"]})
print df1
#
#       City     Name
#0   Seattle    Alice
#1   Seattle      Bob
#2  Portland  Mallory
#3   Seattle  Mallory
#4   Seattle      Bob
#5  Portland  Mallory
#
g1 = df1.groupby(["Name", "City"], as_index=False).count()
print g1
#
#                  City  Name
#Name    City
#Alice   Seattle      1     1
#Bob     Seattle      2     2
#Mallory Portland     2     2
#        Seattle      1     1
#

EDIT:

W wersji 0.17.1 i później możesz użyć subset w count oraz reset_index z parametrem name w size:

print df1.groupby(["Name", "City"], as_index=False ).count()
#IndexError: list index out of range

print df1.groupby(["Name", "City"]).count()
#Empty DataFrame
#Columns: []
#Index: [(Alice, Seattle), (Bob, Seattle), (Mallory, Portland), (Mallory, Seattle)]

print df1.groupby(["Name", "City"])[['Name','City']].count()
#                  Name  City
#Name    City                
#Alice   Seattle      1     1
#Bob     Seattle      2     2
#Mallory Portland     2     2
#        Seattle      1     1

print df1.groupby(["Name", "City"]).size().reset_index(name='count')
#      Name      City  count
#0    Alice   Seattle      1
#1      Bob   Seattle      2
#2  Mallory  Portland      2
#3  Mallory   Seattle      1

Różnica między count i size jest taka, że size liczy wartości NaN, podczas gdy count nie.

Po prostu powinno to wykonać zadanie:

import pandas as pd

grouped_df = df1.groupby( [ "Name", "City"] )

pd.DataFrame(grouped_df.size().reset_index(name = "Group_Count"))

Tutaj, grouped_df.size() pobiera unikalną liczbę grup, A metoda reset_index() resetuje nazwę kolumny, która ma być. Na koniec funkcja pandas Dataframe() jest wywoływana do tworzenia obiektu DataFrame.

Okazało się, że to działa na mnie.

import numpy as np
import pandas as pd

df1 = pd.DataFrame({ 
    "Name" : ["Alice", "Bob", "Mallory", "Mallory", "Bob" , "Mallory"] , 
    "City" : ["Seattle", "Seattle", "Portland", "Seattle", "Seattle", "Portland"]})

df1['City_count'] = 1
df1['Name_count'] = 1

df1.groupby(['Name', 'City'], as_index=False).count()

Może źle zrozumiałem pytanie, ale jeśli chcesz przekonwertować groupby z powrotem do ramki danych, możesz użyć .to_frame (). chciałem zresetować indeks, gdy to zrobiłem, więc włączyłem również tę część.

Przykładowy kod niezwiązany z pytaniem

df = df['TIME'].groupby(df['Name']).min()
df = df.to_frame()
df = df.reset_index(level=['Name',"TIME"])

Mam zagregowane z Qty wise danych i przechowywać do dataframe

almo_grp_data = pd.DataFrame({'Qty_cnt' :
almo_slt_models_data.groupby( ['orderDate','Item','State Abv']
          )['Qty'].sum()}).reset_index()

Poniżej rozwiązanie może być prostsze:

df1.reset_index().groupby( [ "Name", "City"],as_index=False ).count()

Te rozwiązania tylko częściowo działały dla mnie, ponieważ robiłem wiele agregacji. Oto Przykładowe wyjście mojego zgrupowanego przez, które chciałem przekonwertować na ramkę danych:

Ponieważ chciałem czegoś więcej niż liczba dostarczona przez reset_index (), napisałem ręczną metodę konwersji powyższego obrazu na ramkę danych. Rozumiem, że nie jest to najbardziej pythonic/pandy sposób na zrobienie tego, ponieważ jest dość gadatliwy i wyraźny, ale to było wszystko, czego potrzebowałem. Zasadniczo użyj metoda reset_index () została opisana powyżej, aby rozpocząć" rusztowanie " ramki danych, a następnie wykonać pętlę przez pary grup w zgrupowanej ramce danych, pobrać indeksy, wykonać obliczenia względem rozgrupowanej ramki danych i ustawić wartość w nowej zagregowanej ramce danych.

df_grouped = df[['Salary Basis', 'Job Title', 'Hourly Rate', 'Male Count', 'Female Count']]
df_grouped = df_grouped.groupby(['Salary Basis', 'Job Title'], as_index=False)

# Grouped gives us the indices we want for each grouping
# We cannot convert a groupedby object back to a dataframe, so we need to do it manually
# Create a new dataframe to work against
df_aggregated = df_grouped.size().to_frame('Total Count').reset_index()
df_aggregated['Male Count'] = 0
df_aggregated['Female Count'] = 0
df_aggregated['Job Rate'] = 0

def manualAggregations(indices_array):
    temp_df = df.iloc[indices_array]
    return {
        'Male Count': temp_df['Male Count'].sum(),
        'Female Count': temp_df['Female Count'].sum(),
        'Job Rate': temp_df['Hourly Rate'].max()
    }

for name, group in df_grouped:
    ix = df_grouped.indices[name]
    calcDict = manualAggregations(ix)

    for key in calcDict:
        #Salary Basis, Job Title
        columns = list(name)
        df_aggregated.loc[(df_aggregated['Salary Basis'] == columns[0]) & 
                          (df_aggregated['Job Title'] == columns[1]), key] = calcDict[key]

Jeśli słownik nie jest twoją specjalnością, obliczenia mogą być zastosowane w linii w pętli for:

    df_aggregated['Male Count'].loc[(df_aggregated['Salary Basis'] == columns[0]) & 
                                (df_aggregated['Job Title'] == columns[1])] = df['Male Count'].iloc[ix].sum()