Risposta rapida:
Il modo più semplice per ottenere il conteggio delle righe per gruppo è chiamando .size()
, che restituisce un Series
:
df.groupby(['col1','col2']).size()
Di solito vuoi questo risultato come DataFrame
(invece di a Series
) in modo da poter fare:
df.groupby(['col1', 'col2']).size().reset_index(name='counts')
Se vuoi scoprire come calcolare i conteggi delle righe e altre statistiche per ciascun gruppo, continua a leggere di seguito.
Esempio dettagliato:
Si consideri il seguente esempio di frame di dati:
In [2]: df
Out[2]:
col1 col2 col3 col4 col5 col6
0 A B 0.20 -0.61 -0.49 1.49
1 A B -1.53 -1.01 -0.39 1.82
2 A B -0.44 0.27 0.72 0.11
3 A B 0.28 -1.32 0.38 0.18
4 C D 0.12 0.59 0.81 0.66
5 C D -0.13 -1.65 -1.64 0.50
6 C D -1.42 -0.11 -0.18 -0.44
7 E F -0.00 1.42 -0.26 1.17
8 E F 0.91 -0.47 1.35 -0.34
9 G H 1.48 -0.63 -1.14 0.17
Per prima cosa usiamo .size()
per ottenere i conteggi delle righe:
In [3]: df.groupby(['col1', 'col2']).size()
Out[3]:
col1 col2
A B 4
C D 3
E F 2
G H 1
dtype: int64
Quindi usiamo .size().reset_index(name='counts')
per ottenere i conteggi delle righe:
In [4]: df.groupby(['col1', 'col2']).size().reset_index(name='counts')
Out[4]:
col1 col2 counts
0 A B 4
1 C D 3
2 E F 2
3 G H 1
Compresi risultati per ulteriori statistiche
Quando vuoi calcolare le statistiche sui dati raggruppati, di solito si presenta così:
In [5]: (df
...: .groupby(['col1', 'col2'])
...: .agg({
...: 'col3': ['mean', 'count'],
...: 'col4': ['median', 'min', 'count']
...: }))
Out[5]:
col4 col3
median min count mean count
col1 col2
A B -0.810 -1.32 4 -0.372500 4
C D -0.110 -1.65 3 -0.476667 3
E F 0.475 -0.47 2 0.455000 2
G H -0.630 -0.63 1 1.480000 1
Il risultato sopra è un po 'fastidioso da gestire a causa delle etichette delle colonne nidificate e anche perché i conteggi delle righe sono basati su una colonna.
Per ottenere un maggiore controllo sull'output di solito divido le statistiche in singole aggregazioni che poi combino usando join
. Sembra così:
In [6]: gb = df.groupby(['col1', 'col2'])
...: counts = gb.size().to_frame(name='counts')
...: (counts
...: .join(gb.agg({'col3': 'mean'}).rename(columns={'col3': 'col3_mean'}))
...: .join(gb.agg({'col4': 'median'}).rename(columns={'col4': 'col4_median'}))
...: .join(gb.agg({'col4': 'min'}).rename(columns={'col4': 'col4_min'}))
...: .reset_index()
...: )
...:
Out[6]:
col1 col2 counts col3_mean col4_median col4_min
0 A B 4 -0.372500 -0.810 -1.32
1 C D 3 -0.476667 -0.110 -1.65
2 E F 2 0.455000 0.475 -0.47
3 G H 1 1.480000 -0.630 -0.63
Le note
Il codice utilizzato per generare i dati di test è mostrato di seguito:
In [1]: import numpy as np
...: import pandas as pd
...:
...: keys = np.array([
...: ['A', 'B'],
...: ['A', 'B'],
...: ['A', 'B'],
...: ['A', 'B'],
...: ['C', 'D'],
...: ['C', 'D'],
...: ['C', 'D'],
...: ['E', 'F'],
...: ['E', 'F'],
...: ['G', 'H']
...: ])
...:
...: df = pd.DataFrame(
...: np.hstack([keys,np.random.randn(10,4).round(2)]),
...: columns = ['col1', 'col2', 'col3', 'col4', 'col5', 'col6']
...: )
...:
...: df[['col3', 'col4', 'col5', 'col6']] = \
...: df[['col3', 'col4', 'col5', 'col6']].astype(float)
...:
Disclaimer:
Se alcune delle colonne che stai aggregando hanno valori nulli, allora vuoi davvero guardare i conteggi delle righe di gruppo come aggregazione indipendente per ogni colonna. Altrimenti potresti essere indotto in errore su quanti record vengono effettivamente utilizzati per calcolare cose come la media perché i panda lasceranno cadere le NaN
voci nel calcolo della media senza dirtelo.
df[['col1','col2','col3','col4']].groupby(['col1','col2']).agg(['mean', 'count'])