docs展示如何使用以输出列名作为键的 dict 一次在 groupby 对象上应用多个函数:
In [563]: grouped['D'].agg({'result1' : np.sum,
.....: 'result2' : np.mean})
.....:
Out[563]:
result2 result1
A
bar -0.579846 -1.739537
foo -0.280588 -1.402938
但是,这仅适用于 Series groupby 对象。当一个 dict 类似地传递给一个 groupby DataFrame 时,它期望键是该函数将应用于的列名。
我想要做的是将多个函数应用于多个列(但某些列将被多次操作)。此外,某些函数将依赖于 groupby 对象中的其他列(如 sumif 函数)。我目前的解决方案是逐列进行,并执行类似于上面的代码的操作,将 lambdas 用于依赖于其他行的函数。但这需要很长时间,(我认为遍历 groupby 对象需要很长时间)。我必须对其进行更改,以便在一次运行中遍历整个 groupby 对象,但我想知道 pandas 中是否有内置方法可以稍微干净地做到这一点。
例如,我尝试过类似
grouped.agg({'C_sum' : lambda x: x['C'].sum(),
'C_std': lambda x: x['C'].std(),
'D_sum' : lambda x: x['D'].sum()},
'D_sumifC3': lambda x: x['D'][x['C'] == 3].sum(), ...)
但正如预期的那样,我得到了一个 KeyError(因为如果从 DataFrame 调用 agg
,则键必须是一列)。
是否有任何内置方法可以做我想做的事情,或者有可能添加此功能,还是我只需要手动遍历 groupby?
最佳答案
当前接受的答案的后半部分已过时并且有两个弃用。首先也是最重要的,您不能再将字典字典传递给 agg
groupby 方法。其次,永远不要使用.ix
。
如果您希望同时处理两个单独的列,我建议使用 apply
方法,该方法隐式地将 DataFrame 传递给应用函数。让我们使用与上面类似的数据框
df = pd.DataFrame(np.random.rand(4,4), columns=list('abcd'))
df['group'] = [0, 0, 1, 1]
df
a b c d group
0 0.418500 0.030955 0.874869 0.145641 0
1 0.446069 0.901153 0.095052 0.487040 0
2 0.843026 0.936169 0.926090 0.041722 1
3 0.635846 0.439175 0.828787 0.714123 1
从列名映射到聚合函数的字典仍然是执行聚合的绝佳方式。
df.groupby('group').agg({'a':['sum', 'max'],
'b':'mean',
'c':'sum',
'd': lambda x: x.max() - x.min()})
a b c d
sum max mean sum <lambda>
group
0 0.864569 0.446069 0.466054 0.969921 0.341399
1 1.478872 0.843026 0.687672 1.754877 0.672401
如果你不喜欢那个丑陋的 lambda 列名,你可以使用普通函数并为特殊的 __name__
属性提供自定义名称,如下所示:
def max_min(x):
return x.max() - x.min()
max_min.__name__ = 'Max minus Min'
df.groupby('group').agg({'a':['sum', 'max'],
'b':'mean',
'c':'sum',
'd': max_min})
a b c d
sum max mean sum Max minus Min
group
0 0.864569 0.446069 0.466054 0.969921 0.341399
1 1.478872 0.843026 0.687672 1.754877 0.672401
apply
并返回一个系列现在,如果您有多个列需要一起交互,那么您就不能使用 agg
,它会隐式地将 Series 传递给聚合函数。当使用 apply
时,整个组作为 DataFrame 被传递到函数中。
我建议创建一个返回所有聚合系列的自定义函数。使用 Series 索引作为新列的标签:
def f(x):
d = {}
d['a_sum'] = x['a'].sum()
d['a_max'] = x['a'].max()
d['b_mean'] = x['b'].mean()
d['c_d_prodsum'] = (x['c'] * x['d']).sum()
return pd.Series(d, index=['a_sum', 'a_max', 'b_mean', 'c_d_prodsum'])
df.groupby('group').apply(f)
a_sum a_max b_mean c_d_prodsum
group
0 0.864569 0.446069 0.466054 0.173711
1 1.478872 0.843026 0.687672 0.630494
如果您喜欢 MultiIndexes,您仍然可以返回一个带有这样的系列:
def f_mi(x):
d = []
d.append(x['a'].sum())
d.append(x['a'].max())
d.append(x['b'].mean())
d.append((x['c'] * x['d']).sum())
return pd.Series(d, index=[['a', 'a', 'b', 'c_d'],
['sum', 'max', 'mean', 'prodsum']])
df.groupby('group').apply(f_mi)
a b c_d
sum max mean prodsum
group
0 0.864569 0.446069 0.466054 0.173711
1 1.478872 0.843026 0.687672 0.630494
https://stackoverflow.com/questions/14529838/