按此或th分组

Question

忍受我的这一次吧，我已经为这个伤脑筋好几个小时了。你知道吗

考虑这些数据

np.random.seed(2)
apples = np.random.randint(10,20,9)
df = pd.DataFrame({'name':list('aabbcdeee'), 'addr':list('mmznjjkkx'), 'apples':apples})[['name','addr','apples']]

如果name是同一个人，那么它就是同一个人；如果addr是同一个人，那么它也是同一个人。我想数一数每个人有多少个苹果。通常情况下，这是微不足道的：

In [50]: df[['apples', 'name']].groupby('name').sum()
    Out[50]:
      apples
name
a         36
b         28
c         18
d         17
e         38

或者df[['apples', 'addr']].groupby('addr').sum()，因为它们应该返回相同的输出。 但是，addrj输入了她的名字作为c和d，而nameb输入了她的地址作为z和n，而e输入了两次正确的地址，但第三次输入错误。因此，上述两个groupby操作都低估了一些人拥有的苹果的数量。理想的输出是：

In [52]: %paste
pd.DataFrame({'name':list('aabbcceee'), 'addr':list('mmnnjjkkk'), 'apples':apples}).groupby('name').apples.sum()

## -- End pasted text --
Out[52]:
name
a    36
b    28
c    35
e    38
Name: apples, dtype: int32

我可以使用集合识别具有错误地址或名称的索引：

sameNames = df.name[df.name.duplicated()].index
sameAddr = df.addr[df.addr.duplicated()].index
sameNameORaddr = df.name[(df.name.duplicated() | df.addr.duplicated())].index

所以错误就在这里：

In [47]: sameNameORaddr.difference(sameNames).union(sameNameORaddr.difference(sameAddr))
Out[47]: Int64Index([2, 3, 4, 5, 8], dtype='int64')

但是我不知道如何使用它来执行groupby。我想尝试分配新的名字，可以正确地识别重复的名字或地址，但不知道如何做到这一点。感谢您的帮助。你知道吗

Answer 1

如果我理解正确，您可以创建从地址到名称的映射。然后用此映射覆盖名称，并按正常方式执行GroupBy：

s = df.drop_duplicates('addr').set_index('addr')['name']
df['name'] = df['addr'].map(s)

res = df.groupby('name', as_index=False)['apples'].sum()

print(res)

  name  apples
0    a      36
1    b      28
2    c      35
3    e      38

由addr产生的初始drop_duplicates的工作原理是假设为任何name输入的第一个地址是正确的。你知道吗

Answer 2

另一种方法：

df['group'] = df.groupby('addr').ngroup()

d = {'name':'first','apples':'sum'}
df1 = df.groupby('name',as_index=False).sum().groupby('group').agg(d)

df1 = df1.sort_values('name').reset_index(drop=True)

print (df1)

# Output:

  name  apples
0   a    36
1   b    28
2   c    35
3   e    38

说明：

首先使用^{}对addr列中的每个组进行编号

df['group'] = df.groupby('addr').ngroup()

  name addr apples group
0   a   m    18     2
1   a   m    18     2
2   b   z    16     5
3   b   n    12     3
4   c   j    18     0
5   d   j    17     0
6   e   k    12     1 
7   e   k    11     1 
8   e   x    15     4

然后groupby返回name和sumdf.groupby('name',as_index=False).sum()

   name  apples group
 0  a     36     4
 1  b     28     8
 2  c     18     0
 3  d     17     0
 4  e     38     6

现在，相同的地址行将具有相同的组号，因此您可以在group列上再次分组，并使用^{}函数和apples = 'sum'和name = first or last来保留名称的第一个/最后一个实例。你知道吗

d = {'name':'first','apples':'sum'}
df1 = df.groupby('name',as_index=False).sum().groupby('group').agg(d)

然后只需对值进行排序并重置索引即可获得输出。你知道吗