Pandy DataFrame grupuje dwie kolumny i zlicza
Mam ramkę danych pandy w następującym formacie:
df = pd.DataFrame([[1.1, 1.1, 1.1, 2.6, 2.5, 3.4,2.6,2.6,3.4,3.4,2.6,1.1,1.1,3.3], list('AAABBBBABCBDDD'), [1.1, 1.7, 2.5, 2.6, 3.3, 3.8,4.0,4.2,4.3,4.5,4.6,4.7,4.7,4.8], ['x/y/z','x/y','x/y/z/n','x/u','x','x/u/v','x/y/z','x','x/u/v/b','-','x/y','x/y/z','x','x/u/v/w'],['1','3','3','2','4','2','5','3','6','3','5','1','1','1']]).T
df.columns = ['col1','col2','col3','col4','col5']
Df:
col1 col2 col3 col4 col5
0 1.1 A 1.1 x/y/z 1
1 1.1 A 1.7 x/y 3
2 1.1 A 2.5 x/y/z/n 3
3 2.6 B 2.6 x/u 2
4 2.5 B 3.3 x 4
5 3.4 B 3.8 x/u/v 2
6 2.6 B 4 x/y/z 5
7 2.6 A 4.2 x 3
8 3.4 B 4.3 x/u/v/b 6
9 3.4 C 4.5 - 3
10 2.6 B 4.6 x/y 5
11 1.1 D 4.7 x/y/z 1
12 1.1 D 4.7 x 1
13 3.3 D 4.8 x/u/v/w 1
Teraz chcę to pogrupować według dwóch kolumn, jak poniżej:
df.groupby(['col5','col2']).reset_index()
Wyjście:
index col1 col2 col3 col4 col5
col5 col2
1 A 0 0 1.1 A 1.1 x/y/z 1
D 0 11 1.1 D 4.7 x/y/z 1
1 12 1.1 D 4.7 x 1
2 13 3.3 D 4.8 x/u/v/w 1
2 B 0 3 2.6 B 2.6 x/u 2
1 5 3.4 B 3.8 x/u/v 2
3 A 0 1 1.1 A 1.7 x/y 3
1 2 1.1 A 2.5 x/y/z/n 3
2 7 2.6 A 4.2 x 3
C 0 9 3.4 C 4.5 - 3
4 B 0 4 2.5 B 3.3 x 4
5 B 0 6 2.6 B 4 x/y/z 5
1 10 2.6 B 4.6 x/y 5
6 B 0 8 3.4 B 4.3 x/u/v/b 6
Chcę uzyskać liczbę po każdym wierszu, jak po. Oczekiwany Wynik:
col5 col2 count
1 A 1
D 3
2 B 2
etc...
Jak uzyskać oczekiwaną wydajność? I chcę znaleźć największą liczbę dla każdej wartości 'col2'?
6 answers
Po odpowiedzi @ Andy, możesz zrobić następujące, aby rozwiązać drugie pytanie:
In [56]: df.groupby(['col5','col2']).size().reset_index().groupby('col2')[[0]].max()
Out[56]:
0
col2
A 3
B 2
C 1
D 3
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2013-07-16 14:53:30
Szukasz size
:
In [11]: df.groupby(['col5', 'col2']).size()
Out[11]:
col5 col2
1 A 1
D 3
2 B 2
3 A 3
C 1
4 B 1
5 B 2
6 B 1
dtype: int64
Aby uzyskać tę samą odpowiedź co waitingkuo ("drugie pytanie"), ale nieco czystsze, jest grupowanie na poziomie:
In [12]: df.groupby(['col5', 'col2']).size().groupby(level=1).max()
Out[12]:
col2
A 3
B 2
C 1
D 3
dtype: int64
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2015-04-02 16:45:27
Wstawianie Danych do ramki danych pandy i podanie nazwy kolumny .
import pandas as pd
df = pd.DataFrame([['A','C','A','B','C','A','B','B','A','A'], ['ONE','TWO','ONE','ONE','ONE','TWO','ONE','TWO','ONE','THREE']]).T
df.columns = [['Alphabet','Words']]
print(df) #printing dataframe.
Oto nasze drukowane Dane:
Za zrobienie Grupa dataframe w Pandzie i liczniku,
Musisz podać jeszcze jedną kolumnę, która liczy grupowanie, nazwijmy tę kolumnę jako, "COUNTER" w dataframe .
Tak:
df['COUNTER'] =1 #initially, set that counter to 1.
group_data = df.groupby(['Alphabet','Words'])['COUNTER'].sum() #sum function
print(group_data)
Wyjście:
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2017-09-20 12:02:44
Idiomatyczne rozwiązanie, które używa tylko jednej grupy
df.groupby(['col5', 'col2']).size() \
.sort_values(ascending=False) \
.reset_index(name='count') \
.drop_duplicates(subset='col2')
col5 col2 count
0 3 A 3
1 1 D 3
2 5 B 2
6 3 C 1
Wyjaśnienie
Wynikiem metody groupby size
jest szereg z col5
i col2
w indeksie. Stąd możesz użyć innej metody groupby, aby znaleźć maksymalną wartość każdej wartości w col2
, ale nie jest to konieczne. Można po prostu sortować wszystkie wartości zstępnie, a następnie zachować tylko wiersze z pierwszym wystąpieniem col2
za pomocą metody drop_duplicates
.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2017-11-05 19:37:56
Jeśli chcesz dodać nową kolumnę (powiedzmy 'count_column') zawierającą grupy 'counts' do ramki danych:
df.count_column=df.groupby(['col5','col2']).col5.transform('count')
(wybrałem 'col5' ponieważ nie zawiera nan)
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2017-06-06 12:20:15
Możesz po prostu użyć wbudowanej funkcji count następującej po funkcji groupby
df.groupby(['col5','col2']).count()
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2016-12-02 02:22:05