pandas groupby分组对象的组内排序解决方案
问题:
根据数据某列进行分组,选择其中另一列大小top-K的的所在行数据
解析:
求解思路很清晰,即先用groupby对数据进行分组,然后再根据分组后的某一列进行排序,选择排序结果后的top-K结果
案例:
取一下dataframe中B列各对象中C值最高所在的行
df = pd.DataFrame({"A": [2, 3, 5, 4], "B": ['a', 'b', 'b', 'a'], "C": [200801, 200902, 200704, 201003]})
Groupby的基本功能介绍
groupby以后返回DataFrameGroupBy对象,实际上还没有进行任何计算,只是一个暂时存储的容器,
[In]df.groupby('B') [Out]<pandas.core.groupby.DataFrameGroupBy object at 0x11800f588>
对groupby结果进行简单的列选取返回的也是DataFrameGroupBy/SeriesGroupBy对象,无法可视化
[In]df.groupby('B')['A'] # 返回SeriesGroupBy对象 [Out]<pandas.core.groupby.SeriesGroupBy object at 0x117f6b630> [In]df.groupby('B')['A','C'] # 返回DataFrameGroupBy对象 [Out]<pandas.core.groupby.DataFrameGroupBy object at 0x117fb84e0>
需要对DataFrameGroupBy进行计数、统计、agg聚合计算、apply映射计算和transform等操作,才能生成可视化的数据(下文仅以count和size函数为例展示,不涉及其它的操作)
[In] df.groupby('B', as_index=False)['A'].count() # 组内数据统计 [Out] B A 0 a 2 1 b 2 [In] df.groupby('B')['A'].size().reset_index(name='Size') # 组内数据统计,size和count的一个显著区别在于count不考虑Nan,size考虑Nan [Out] B Size 0 a 2 1 b 2
解决方案一:
对DataFrameGroupBy对象,用apply函数进行某列的sort_values排序,再选出其中的最大值所在行
# 返回值是一个带有multiindex的dataframe数据,其中level=0为groupby的by列,而level=1为原index [In] df.groupby('B').apply(lambda x: x.sort_values('C', ascending=False)) [Out] A B C B a 3 4 a 201003 0 2 a 200801 b 1 3 b 200902 2 5 b 200704 # 通过设置group_keys参数对multiindex进行优化 [In] df.groupby('B', group_keys=False).apply(lambda x: x.sort_values('C', ascending=False)) [Out] A B C 3 4 a 201003 0 2 a 200801 1 3 b 200902 2 5 b 200704 # 再次groupby,并调用内置的first()方法,取最大值 [In] df.groupby('B', group_keys=False).apply(lambda x: x.sort_values('C', ascending=False)).groupby('B').first().reset_index() [Out] B A C 0 a 4 201003 1 b 3 200902
解决方案二:
先对B进行整体的sort_values,在groupy取值
[In] df.sort_values('C', ascending=False).groupby('B').first().reset_index() [Out] B A C 0 a 4 201003 1 b 3 200902
问题拓展:
以上仅解决了Top-1的问题,如果是Top-k呢?
答案:将first()函数变为head()函数
[In] df.sort_values('C', ascending=False).groupby('B').head(2) [Out] A B C 3 4 a 201003 1 3 b 200902 0 2 a 200801 2 5 b 200704
总结:
1、方案二,即先排序再groupby取值更方便
2、pandas中API众多,在实际使用时要捋清各步骤返回值的类型以方便记忆和联想
补充:pandas分组groupby、agg,排序sort,连接concat、join
连接concat和join
横向连接
pd.concat([df6,df7],axis=1) df6.join(df7) # df6的表格在前面,如需df7的表格在前需要交换位置
注意点:
1、concat这个方法,既可以实现横向连接,也可以实现纵向连接,通过设置axis的值来控制,axis=1表示的是横向连接,如果多个连接的对象,放在列表中
2、join也可以实现
纵向连接
pd.concat([df8,df9],ignore_index=True)
注意点:
1、进行纵向合并的数据,需要用[]集合起来
2、ignore_index忽略原有的行索引,重新排列
3、drop_duplicates()删除重复数据
排序
#按照成绩排序 df10.sort_values('score') #默认升序,从小到大 df10.sort_values(['score','group'],ascending=False,na_position='first') #sort各个属性
参数 | 描述 |
---|---|
by | 字符串或者列表,如果是单个排序字段,使用的是字符串,如果指定多个,需要使用列表 |
ascending | True的时候,是按照升序,默认是升序 |
na_position | 表示的是空值的位置,'last'是默认的,'first'开始位置 |
分组
### groupby df11.groupby('class') df11.groupby(['class','grade']) for cls,data in df11.groupby(['class','grade']): print(cls) print(data)
注意点:
1、groupby 如果指定的是一个列,如果是多个列[]
2、groupby返回的是一个对象,所以不能直接访问,可以使用for
筛选出分组之后的列
如果筛选出一列数据[[列名]],返回的是dataframe对象
如果筛选出多个列数据,直接使用[]和[[]]均可
总结[[列1,列2,。。。。]]
聚合函数 agg配合使用
dff.groupby('class')[['math']].agg(['mean','max','min','median','std'])
函数 | 描述 |
---|---|
mean | 均值 |
max | 最大值 |
min | 最小值 |
median | 中位数 |
std | 标准差 |
count | 计数 |
skew | 偏度 |
quantile | 指定分位数 |
以上为个人经验,希望能给大家一个参考,也希望大家多多支持我们。如有错误或未考虑完全的地方,望不吝赐教。