python - Pandas groupby：如何获得字符串的联合

Question

我有一个这样的数据框：

   A         B       C
0  1  0.749065    This
1  2  0.301084      is
2  3  0.463468       a
3  4  0.643961  random
4  1  0.866521  string
5  2  0.120737       !

打电话

In [10]: print df.groupby("A")["B"].sum()

将返回

A
1    1.615586
2    0.421821
3    0.463468
4    0.643961

现在我想对“C”列做“同样的事情”。因为该列包含字符串，所以 sum() 不起作用（尽管您可能认为它会连接字符串）。我真正想看到的是每个组的字符串列表或集合，即

A
1    {This, string}
2    {is, !}
3    {a}
4    {random}

我一直在努力寻找方法来做到这一点。

Series.unique() ( http://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.unique.html ) 不起作用，虽然

df.groupby("A")["B"]

是一个

pandas.core.groupby.SeriesGroupBy object

所以我希望任何系列方法都能奏效。有任何想法吗？

Answer 1

In [4]: df = read_csv(StringIO(data),sep='\s+')

In [5]: df
Out[5]: 
   A         B       C
0  1  0.749065    This
1  2  0.301084      is
2  3  0.463468       a
3  4  0.643961  random
4  1  0.866521  string
5  2  0.120737       !

In [6]: df.dtypes
Out[6]: 
A      int64
B    float64
C     object
dtype: object

当您应用自己的函数时，不会自动排除非数字列。.sum()但是，这比应用groupby

In [8]: df.groupby('A').apply(lambda x: x.sum())
Out[8]: 
   A         B           C
A                         
1  2  1.615586  Thisstring
2  4  0.421821         is!
3  3  0.463468           a
4  4  0.643961      random

sum默认情况下连接

In [9]: df.groupby('A')['C'].apply(lambda x: x.sum())
Out[9]: 
A
1    Thisstring
2           is!
3             a
4        random
dtype: object

你几乎可以做你想做的事

In [11]: df.groupby('A')['C'].apply(lambda x: "{%s}" % ', '.join(x))
Out[11]: 
A
1    {This, string}
2           {is, !}
3               {a}
4          {random}
dtype: object

在整个框架上执行此操作，一次一组。关键是返回一个Series

def f(x):
     return Series(dict(A = x['A'].sum(), 
                        B = x['B'].sum(), 
                        C = "{%s}" % ', '.join(x['C'])))

In [14]: df.groupby('A').apply(f)
Out[14]: 
   A         B               C
A                             
1  2  1.615586  {This, string}
2  4  0.421821         {is, !}
3  3  0.463468             {a}
4  4  0.643961        {random}

Answer 2

您可以使用该apply方法将任意函数应用于分组数据。因此，如果您想要一套，请申请set。如果您想要一个列表，请申请list。

>>> d
   A       B
0  1    This
1  2      is
2  3       a
3  4  random
4  1  string
5  2       !
>>> d.groupby('A')['B'].apply(list)
A
1    [This, string]
2           [is, !]
3               [a]
4          [random]
dtype: object

如果您想要其他东西，只需编写一个执行您想要的功能然后执行此操作的函数apply。

Answer 3

您可以使用aggregate(or agg) 函数来连接这些值。（未经测试的代码）

df.groupby('A')['B'].agg(lambda col: ''.join(col))

Answer 4

你可以试试这个：

df.groupby('A').agg({'B':'sum','C':'-'.join})

Answer 5

命名聚合pandas >= 0.25.0

自 pandas 0.25.0 版以来，我们已经命名了聚合，我们可以在其中分组、聚合并同时为我们的列分配新名称。这样我们就不会得到 MultiIndex 列，并且考虑到它们包含的数据，列名更有意义：

---

聚合并获取字符串列表

grp = df.groupby('A').agg(B_sum=('B','sum'),
                          C=('C', list)).reset_index()

print(grp)
   A     B_sum               C
0  1  1.615586  [This, string]
1  2  0.421821         [is, !]
2  3  0.463468             [a]
3  4  0.643961        [random]

---

聚合并连接字符串

grp = df.groupby('A').agg(B_sum=('B','sum'),
                          C=('C', ', '.join)).reset_index()

print(grp)
   A     B_sum             C
0  1  1.615586  This, string
1  2  0.421821         is, !
2  3  0.463468             a
3  4  0.643961        random

Answer 6

一个简单的解决方案是：

>>> df.groupby(['A','B']).c.unique().reset_index()

Answer 7

如果您想覆盖数据框中的 B 列，这应该可以：

    df = df.groupby('A',as_index=False).agg(lambda x:'\n'.join(x))

Answer 8

遵循@Erfan 的好答案，大多数时候在分析聚合值时，您需要这些现有字符值的唯一可能组合：

unique_chars = lambda x: ', '.join(x.unique())
(df
 .groupby(['A'])
 .agg({'C': unique_chars}))