多变量Groupby

Question

我有一个df，看起来有点像这样：

Date   Animal   Height   Weight
Jan-00   Cat      102      56
Jan-00   Cat      98       75
Jan-00   Cat      50       100
Jan-00   Cat      46       46
Jan-00   Cat      100      50

我试图找出1-00年猫的平均体重，这比1-00年猫的平均身高还要高。所以在这个例子中，中间高度是98；猫的平均体重超过平均身高是53（平均50,56）。我有很多不同的动物类型，所以我不想手动指定动物类型。随着时间的推移，除了猫的重量之外，我还想测量其他一些东西（因此，我试图在某种程度上证明我的代码）

从StackOverflow开始，我的方法是： （1） 编写一个函数，告诉代码的其余部分我要测量的内容：

def column_index(df, query_cols):
    cols = df.columns.values
    sidx = np.argsort(cols)
    return sidx[np.searchsorted(cols,query_cols,sorter=sidx)]

cols = (column_index(df, ["Weight"]))

然后（2），编写一些代码，将我的原始df在日期和动物类型之间分割，按中间高度分割，然后返回我想要测量的东西：

x = (df["Height"]
     .gt(df.groupby(["Date","Animal"])["Height"]
     .transform('median')))

df_Tall = df[x].mean(level = 0)[df.columns[cols]]

然而，当我这样做时，它只返回重量的单个系列数据；我试图获得多个列，每个列代表不同的动物-即我的预期输出应该如下所示：

       Weight
Date   Cat   Animal_x   Animal_y   Animal_z
Jan-00  53     xx          xx         xx 

我想我的错误就像是在排队

.gt(df.groupby(["Date","Animal"])["Height"]

但我想不出如何修复它。任何想法都将不胜感激

谢谢

Answer 1

你的方法几乎是正确的。我刚刚添加了另一个groupby的中值过滤身高数据，以Animal和Date列对平均体重（和身高）进行分组：

df.loc[
    df['Height'].gt(df.groupby(['Date', 'Animal'])['Height'].transform('median')), :
].groupby(['Date', 'Animal']).mean().unstack()

当然，您可以通过选择第二个groupby，f.i.之后（或之前）的Weight列来获得Weight的平均值，方法是将最后一行更改为：].groupby(['Date', 'Animal'])[['Weight']].mean().unstack()，在'Weight'周围的双括号保留df维度/结构

逐步：

• 按日期和动物分组，获得中间值并选择身高更大的位置（与您的问题相同）
• .loc在{}上显式第一轴索引只是我个人的偏好。两者都能很好地根据中间高度过滤数据
• 第二个groupby在高度过滤数据上，选择groupby之前或之后的重量是可选的
• 获取每个动物和日期组的平均值
• unstack将数据帧转换为多索引列，第二级为Animal

只有当groupby.median()支持level-参数时，才能避免第二个groupby。但是由于groupby方法不支持level，因此需要第二个groupby