Pandas groupby: come ottenere un'unione di stringhe

Ho un dataframe come questo:

   A         B       C
0  1  0.749065    This
1  2  0.301084      is
2  3  0.463468       a
3  4  0.643961  random
4  1  0.866521  string
5  2  0.120737       !

chiamata

In [10]: print df.groupby("A")["B"].sum()

sarà di ritorno

A
1    1.615586
2    0.421821
3    0.463468
4    0.643961

Ora vorrei fare "lo stesso" per la colonna "C". Poiché quella colonna contiene stringhe, sum () non funziona (anche se potresti pensare che concatenerebbe le stringhe). Quello che mi piacerebbe davvero vedere è un elenco o un insieme di stringhe per ogni gruppo, ad es

A
1    {This, string}
2    {is, !}
3    {a}
4    {random}

Ho cercato di trovare modi per farlo.

Series.unique () ( http://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.unique.html ) non funziona, sebbene

df.groupby("A")["B"]

è un

pandas.core.groupby.SeriesGroupBy object

quindi speravo che qualsiasi metodo Series avrebbe funzionato. Qualche idea?

In [4]: df = read_csv(StringIO(data),sep='\s+')

In [5]: df
Out[5]: 
   A         B       C
0  1  0.749065    This
1  2  0.301084      is
2  3  0.463468       a
3  4  0.643961  random
4  1  0.866521  string
5  2  0.120737       !

In [6]: df.dtypes
Out[6]: 
A      int64
B    float64
C     object
dtype: object

Quando applichi la tua funzione, non ci sono esclusioni automatiche di colonne non numeriche. Questo è più lento, però, che l'applicazione di .sum()algroupby

In [8]: df.groupby('A').apply(lambda x: x.sum())
Out[8]: 
   A         B           C
A                         
1  2  1.615586  Thisstring
2  4  0.421821         is!
3  3  0.463468           a
4  4  0.643961      random

sum per impostazione predefinita concatena

In [9]: df.groupby('A')['C'].apply(lambda x: x.sum())
Out[9]: 
A
1    Thisstring
2           is!
3             a
4        random
dtype: object

Puoi fare praticamente quello che vuoi

In [11]: df.groupby('A')['C'].apply(lambda x: "{%s}" % ', '.join(x))
Out[11]: 
A
1    {This, string}
2           {is, !}
3               {a}
4          {random}
dtype: object

Farlo su un intero frame, un gruppo alla volta. La chiave è restituire un fileSeries

def f(x):
     return Series(dict(A = x['A'].sum(), 
                        B = x['B'].sum(), 
                        C = "{%s}" % ', '.join(x['C'])))

In [14]: df.groupby('A').apply(f)
Out[14]: 
   A         B               C
A                             
1  2  1.615586  {This, string}
2  4  0.421821         {is, !}
3  3  0.463468             {a}
4  4  0.643961        {random}

È possibile utilizzare il applymetodo per applicare una funzione arbitraria ai dati raggruppati. Quindi, se vuoi un set, applica set. Se vuoi un elenco, applica list.

>>> d
   A       B
0  1    This
1  2      is
2  3       a
3  4  random
4  1  string
5  2       !
>>> d.groupby('A')['B'].apply(list)
A
1    [This, string]
2           [is, !]
3               [a]
4          [random]
dtype: object

Se vuoi qualcos'altro, scrivi una funzione che fa quello che vuoi e poi applyquello.

Potresti essere in grado di utilizzare la funzione aggregate(o agg) per concatenare i valori. (Codice non testato)

df.groupby('A')['B'].agg(lambda col: ''.join(col))

Potresti provare questo:

df.groupby('A').agg({'B':'sum','C':'-'.join})

una soluzione semplice sarebbe:

>>> df.groupby(['A','B']).c.unique().reset_index()

Aggregazioni denominate con pandas >= 0.25.0

Dalla versione 0.25.0 di panda abbiamo denominato aggregazioni in cui possiamo raggruppare, aggregare e allo stesso tempo assegnare nuovi nomi alle nostre colonne. In questo modo non otterremo le colonne MultiIndex e i nomi delle colonne hanno più senso dati i dati che contengono:

aggregare e ottenere un elenco di stringhe

grp = df.groupby('A').agg(B_sum=('B','sum'),
                          C=('C', list)).reset_index()

print(grp)
   A     B_sum               C
0  1  1.615586  [This, string]
1  2  0.421821         [is, !]
2  3  0.463468             [a]
3  4  0.643961        [random]

aggregare e unire le stringhe

grp = df.groupby('A').agg(B_sum=('B','sum'),
                          C=('C', ', '.join)).reset_index()

print(grp)
   A     B_sum             C
0  1  1.615586  This, string
1  2  0.421821         is, !
2  3  0.463468             a
3  4  0.643961        random

Se desideri sovrascrivere la colonna B nel dataframe, dovrebbe funzionare:

    df = df.groupby('A',as_index=False).agg(lambda x:'\n'.join(x))

Seguendo la buona risposta di @ Erfan, la maggior parte delle volte in un'analisi dei valori aggregati si vogliono le combinazioni possibili uniche di questi valori di caratteri esistenti:

unique_chars = lambda x: ', '.join(x.unique())
(df
 .groupby(['A'])
 .agg({'C': unique_chars}))