我有一个看起来像这样的数据帧:
import pandas as pd
import numpy as np
rand = np.random.RandomState(1)
df = pd.DataFrame({'A': ['foo', 'bar', 'baz'] * 10,
'B': [rand.choice(['cat', 'dog', 'fish', 'pig', 'cow']) for i in range(30)],
'C': 1})
>> df.head(5)
A B C
0 foo pig 1
1 bar cow 1
2 baz cat 1
3 foo dog 1
4 bar pig 1
然后我按不同的组合分组以得到计数,我按组降序排列,如下所示:
>> d = df.groupby(['A','B']).sum();
>> d = d.groupby(level=0, group_keys=False).apply(lambda x: x.sort_values('C', ascending=False)); d
C
A B
bar dog 4
cow 2
fish 2
cat 1
pig 1
baz cow 4
cat 3
fish 2
dog 1
foo dog 4
cow 3
pig 2
cat 1
我现在想要的是,A组中的每一组,保留前2名,其余的汇总为“其他”。我有一个函数summarise()
,它可以工作:
def summarise(l, n=10, name='Other'):
h = l.head(n)
idx = l.index[0]
if isinstance(idx, (list, tuple)):
prefix = list(idx[:-1])
else:
prefix = []
return h.append(pd.DataFrame([l.tail(-n).sum()], columns=l.columns, index=[tuple(prefix+[name])]))
>> summarise(d, n=2)
C
A B
bar dog 4
cow 2
Other 24
但如果我试着用apply来为每个小组做这件事,它就会爆炸。似乎函数被传递了一个Series
?你知道吗
我想要的输出如下:
A B C
bar dog 4
bar cow 2
bar Other 4
baz cow 4
baz cat 3
baz Other 3
foo dog 4
foo cow 3
foo Other 3
我本以为d.groupby('A').tail(-2).sum()
会起作用,但它没有达到我的预期。你知道吗
编辑:多亏了这些答案,我想出了以下功能,将来应该会对人们有所帮助。有点恼人的是,1列和更多列的情况是不同的,但就这样吧。支持每组前N名,但也支持截止百分比。有了这个功能,我可以在许多方面轻松地切片和骰子我的数据。你知道吗
def top_per_group(df, cols, n=None, p=None, name='Other'):
d=df.groupby(cols).size().sort_values(ascending=False)
if len(cols) > 1:
d = d.sortlevel(0, sort_remaining=False)
d = d.reset_index()
if n:
if len(cols) > 1:
sel_list = d.groupby(cols[:-1]).cumcount()<n
else:
sel_list = d.index<n
else:
if len(cols) > 1:
sel_list = d.groupby(cols[:-1])[0].apply(lambda x: x/float(x.sum())) >= p
else:
sel_list = d[0].div(d[0].sum()) >= p
grouper = d[cols[-1]].where(sel_list, name)
return d.groupby(cols[:-1] + [grouper], sort=False).sum().reset_index()
如果重置索引,则可以根据累计计数创建一个grouper:
或者,使用重置索引:
相关问题 更多 >
编程相关推荐