Ho un frame di dati Panda df
come:
a b
A 1
A 2
B 5
B 5
B 4
C 6
Voglio raggruppare per la prima colonna e ottenere la seconda colonna come elenchi in righe :
A [1,2]
B [5,5,4]
C [6]
È possibile fare qualcosa del genere usando i panda groupby?
Ho un frame di dati Panda df
come:
a b
A 1
A 2
B 5
B 5
B 4
C 6
Voglio raggruppare per la prima colonna e ottenere la seconda colonna come elenchi in righe :
A [1,2]
B [5,5,4]
C [6]
È possibile fare qualcosa del genere usando i panda groupby?
Risposte:
Puoi farlo usando groupby
per raggruppare sulla colonna di interesse e poi apply
list
per ogni gruppo:
In [1]: df = pd.DataFrame( {'a':['A','A','B','B','B','C'], 'b':[1,2,5,5,4,6]})
df
Out[1]:
a b
0 A 1
1 A 2
2 B 5
3 B 5
4 B 4
5 C 6
In [2]: df.groupby('a')['b'].apply(list)
Out[2]:
a
A [1, 2]
B [5, 5, 4]
C [6]
Name: b, dtype: object
In [3]: df1 = df.groupby('a')['b'].apply(list).reset_index(name='new')
df1
Out[3]:
a new
0 A [1, 2]
1 B [5, 5, 4]
2 C [6]
tuple
seguente risposta qui: stackoverflow.com/questions/19530568/… . Vedere la seconda risposta in stackoverflow.com/questions/27439023/… per una spiegazione.
import numpy as np
df = pd.DataFrame({'a': np.random.randint(0, 60, 600), 'b': [1, 2, 5, 5, 4, 6]*100})
def f(df):
keys, values = df.sort_values('a').values.T
ukeys, index = np.unique(keys, True)
arrays = np.split(values, index[1:])
df2 = pd.DataFrame({'a':ukeys, 'b':[list(a) for a in arrays]})
return df2
In [301]: %timeit f(df)
1000 loops, best of 3: 1.64 ms per loop
In [302]: %timeit df.groupby('a')['b'].apply(list)
100 loops, best of 3: 5.26 ms per loop
.groupby([df.index.month, df.index.day])
invece di solo .groupby('a')
?
Un modo pratico per raggiungere questo obiettivo sarebbe:
df.groupby('a').agg({'b':lambda x: list(x)})
Cerca nella scrittura Aggregazioni personalizzate: https://www.kaggle.com/akshaysehgal/how-to-group-by-aggregate-using-py
lambda args: f(args)
equivale af
df.groupby('a').apply(list)
o usarlo con agg come parte di un dict df.groupby('a').agg({'b':list})
. Potresti anche usarlo con lambda (che raccomando) poiché puoi fare molto di più con esso. Esempio: df.groupby('a').agg({'c':'first', 'b': lambda x: x.unique().tolist()})
che consente di applicare una funzione serie alla colonna e una funzione unica quindi una lista alla colonna.
Come stavi dicendo, il groupby
metodo di un pd.DataFrame
oggetto può fare il lavoro.
Esempio
L = ['A','A','B','B','B','C']
N = [1,2,5,5,4,6]
import pandas as pd
df = pd.DataFrame(zip(L,N),columns = list('LN'))
groups = df.groupby(df.L)
groups.groups
{'A': [0, 1], 'B': [2, 3, 4], 'C': [5]}
che fornisce e una descrizione indicizzata dei gruppi.
Per ottenere elementi di singoli gruppi, è possibile, ad esempio
groups.get_group('A')
L N
0 A 1
1 A 2
groups.get_group('B')
L N
2 B 5
3 B 5
4 B 4
Per risolvere il problema per diverse colonne di un frame di dati:
In [5]: df = pd.DataFrame( {'a':['A','A','B','B','B','C'], 'b':[1,2,5,5,4,6],'c'
...: :[3,3,3,4,4,4]})
In [6]: df
Out[6]:
a b c
0 A 1 3
1 A 2 3
2 B 5 3
3 B 5 4
4 B 4 4
5 C 6 4
In [7]: df.groupby('a').agg(lambda x: list(x))
Out[7]:
b c
a
A [1, 2] [3, 3]
B [5, 5, 4] [3, 4, 4]
C [6] [4]
Questa risposta è stata ispirata dalla risposta di Anamika Modi . Grazie!
Utilizzare una delle seguenti groupby
e agg
ricette.
# Setup
df = pd.DataFrame({
'a': ['A', 'A', 'B', 'B', 'B', 'C'],
'b': [1, 2, 5, 5, 4, 6],
'c': ['x', 'y', 'z', 'x', 'y', 'z']
})
df
a b c
0 A 1 x
1 A 2 y
2 B 5 z
3 B 5 x
4 B 4 y
5 C 6 z
Per aggregare più colonne come elenchi, utilizzare uno dei seguenti:
df.groupby('a').agg(list)
df.groupby('a').agg(pd.Series.tolist)
b c
a
A [1, 2] [x, y]
B [5, 5, 4] [z, x, y]
C [6] [z]
Per elencare in gruppo solo una singola colonna, converti il groupby in un SeriesGroupBy
oggetto, quindi chiama SeriesGroupBy.agg
. Uso,
df.groupby('a').agg({'b': list}) # 4.42 ms
df.groupby('a')['b'].agg(list) # 2.76 ms - faster
a
A [1, 2]
B [5, 5, 4]
C [6]
Name: b, dtype: object
groupby(..., sort=False)
. Qui, non farebbe alcuna differenza dal momento che sto raggruppando sulla colonna A che è già ordinata.
df.groupby('a')['b'].agg(lambda x: list(set(x)))
È tempo di usare agg
invece di apply
.
quando
df = pd.DataFrame( {'a':['A','A','B','B','B','C'], 'b':[1,2,5,5,4,6], 'c': [1,2,5,5,4,6]})
Se si desidera impilare più colonne nell'elenco, il risultato è pd.DataFrame
df.groupby('a')[['b', 'c']].agg(list)
# or
df.groupby('a').agg(list)
Se si desidera una singola colonna nell'elenco, ottenere ps.Series
df.groupby('a')['b'].agg(list)
#or
df.groupby('a')['b'].apply(list)
Nota, il risultato pd.DataFrame
è circa 10 volte più lento del risultato ps.Series
quando si aggrega solo una singola colonna, la si usa in maiuscole e minuscole.
Qui ho raggruppato gli elementi con "|" come separatore
import pandas as pd
df = pd.read_csv('input.csv')
df
Out[1]:
Area Keywords
0 A 1
1 A 2
2 B 5
3 B 5
4 B 4
5 C 6
df.dropna(inplace = True)
df['Area']=df['Area'].apply(lambda x:x.lower().strip())
print df.columns
df_op = df.groupby('Area').agg({"Keywords":lambda x : "|".join(x)})
df_op.to_csv('output.csv')
Out[2]:
df_op
Area Keywords
A [1| 2]
B [5| 5| 4]
C [6]
Il modo più semplice che ho visto non raggiunge quasi la stessa cosa almeno per una colonna che è simile alla risposta di Anamika solo con la sintassi tupla per la funzione aggregata.
df.groupby('a').agg(b=('b','unique'), c=('c','unique'))