35

我想在我的数据中标记一些分位数，对于 DataFrame 的每一行，我希望一个名为“xtile”的新列中的条目保存这个值。

例如，假设我创建了一个这样的数据框：

import pandas, numpy as np
dfrm = pandas.DataFrame({'A':np.random.rand(100), 
                         'B':(50+np.random.randn(100)), 
                         'C':np.random.randint(low=0, high=3, size=(100,))})

假设我编写了自己的函数来计算数组中每个元素的五分位数。我对此有自己的功能，但例如只需参考 scipy.stats.mstats.mquantile。

import scipy.stats as st
def mark_quintiles(x, breakpoints):
    # Assume this is filled in, using st.mstats.mquantiles.
    # This returns an array the same shape as x, with an integer for which
    # breakpoint-bucket that entry of x falls into.

现在，真正的问题是如何使用transform向数据添加新列。像这样的东西：

def transformXtiles(dataFrame, inputColumnName, newColumnName, breaks):
    dataFrame[newColumnName] = mark_quintiles(dataFrame[inputColumnName].values, 
                                              breaks)
    return dataFrame

进而：

dfrm.groupby("C").transform(lambda x: transformXtiles(x, "A", "A_xtile", [0.2, 0.4, 0.6, 0.8, 1.0]))

问题是上面的代码不会添加新列“A_xtile”。它只是返回我的数据框不变。如果我首先添加一个充满虚拟值的列，例如 NaN，称为“A_xtile”，那么它会成功覆盖该列以包含正确的五分位数标记。

但是，对于我可能想即时添加的任何内容，必须先在专栏中写下非常不方便。

请注意，一个简单的apply方法在这里不起作用，因为它不知道如何理解每个组可能大小不同的结果数组。

4

1 回答 1

44

你遇到了什么问题apply？它适用于这里的这个玩具示例，并且组长度不同：

In [82]: df
Out[82]: 
   X         Y
0  0 -0.631214
1  0  0.783142
2  0  0.526045
3  1 -1.750058
4  1  1.163868
5  1  1.625538
6  1  0.076105
7  2  0.183492
8  2  0.541400
9  2 -0.672809

In [83]: def func(x):
   ....:     x['NewCol'] = np.nan
   ....:     return x
   ....: 

In [84]: df.groupby('X').apply(func)
Out[84]: 
   X         Y  NewCol
0  0 -0.631214     NaN
1  0  0.783142     NaN
2  0  0.526045     NaN
3  1 -1.750058     NaN
4  1  1.163868     NaN
5  1  1.625538     NaN
6  1  0.076105     NaN
7  2  0.183492     NaN
8  2  0.541400     NaN
9  2 -0.672809     NaN
于 2012-09-12T18:19:35.553 回答