149

我在使用 Pandas 的 groupby 功能时遇到问题。我已阅读文档,但无法弄清楚如何将聚合函数应用于多个列为这些列设置自定义名称。

这非常接近,但返回的数据结构具有嵌套的列标题:

data.groupby("Country").agg(
        {"column1": {"foo": sum()}, "column2": {"mean": np.mean, "std": np.std}})

(即,我想取 column2 的均值和标准,但将这些列返回为“均值”和“标准”)

我错过了什么?

4

6 回答 6

258

对于熊猫 >= 0.25

命名返回的聚合列的功能已在 master 分支中重新引入,并针对 pandas 0.25。新语法是.agg(new_col_name=('col_name', 'agg_func'). 来自上面链接的 PR 的详细示例:

In [2]: df = pd.DataFrame({'kind': ['cat', 'dog', 'cat', 'dog'],
   ...:                    'height': [9.1, 6.0, 9.5, 34.0],
   ...:                    'weight': [7.9, 7.5, 9.9, 198.0]})
   ...:

In [3]: df
Out[3]:
  kind  height  weight
0  cat     9.1     7.9
1  dog     6.0     7.5
2  cat     9.5     9.9
3  dog    34.0   198.0

In [4]: df.groupby('kind').agg(min_height=('height', 'min'), 
                               max_weight=('weight', 'max'))
Out[4]:
      min_height  max_weight
kind
cat          9.1         9.9
dog          6.0       198.0

根据此 PR,还可以使用此语法和我之前建议的两步重命名语法(如下)使用多个 lambda 表达式。同样,从 PR 中的示例复制:

In [2]: df = pd.DataFrame({"A": ['a', 'a'], 'B': [1, 2], 'C': [3, 4]})

In [3]: df.groupby("A").agg({'B': [lambda x: 0, lambda x: 1]})
Out[3]:
         B
  <lambda> <lambda 1>
A
a        0          1

然后.rename(),或一口气:

In [4]: df.groupby("A").agg(b=('B', lambda x: 0), c=('B', lambda x: 1))
Out[4]:
   b  c
A
a  0  0

对于熊猫 < 0.25

unutbu 描述的当前接受的答案是在熊猫版本 <= 0.20 中执行此操作的好方法。但是,从 pandas 0.20 开始,使用此方法会引发警告,指出该语法在 pandas 的未来版本中将不可用。

系列:

FutureWarning:不推荐在 Series 上使用 dict 进行聚合,并将在未来版本中删除

数据框:

FutureWarning:不推荐使用带有重命名的字典,并将在未来的版本中删除

根据pandas 0.20 changelog,在聚合时重命名列的推荐方法如下。

# Create a sample data frame
df = pd.DataFrame({'A': [1, 1, 1, 2, 2],
                   'B': range(5),
                   'C': range(5)})

# ==== SINGLE COLUMN (SERIES) ====
# Syntax soon to be deprecated
df.groupby('A').B.agg({'foo': 'count'})
# Recommended replacement syntax
df.groupby('A').B.agg(['count']).rename(columns={'count': 'foo'})

# ==== MULTI COLUMN ====
# Syntax soon to be deprecated
df.groupby('A').agg({'B': {'foo': 'sum'}, 'C': {'bar': 'min'}})
# Recommended replacement syntax
df.groupby('A').agg({'B': 'sum', 'C': 'min'}).rename(columns={'B': 'foo', 'C': 'bar'})
# As the recommended syntax is more verbose, parentheses can
# be used to introduce line breaks and increase readability
(df.groupby('A')
    .agg({'B': 'sum', 'C': 'min'})
    .rename(columns={'B': 'foo', 'C': 'bar'})
)

有关更多详细信息,请参阅0.20 变更日志

更新 2017-01-03 以回应 @JunkMechanic 的评论。

使用旧式字典语法,可以将多个lambda函数传递给.agg,因为这些函数将使用传递字典中的键重命名:

>>> df.groupby('A').agg({'B': {'min': lambda x: x.min(), 'max': lambda x: x.max()}})

    B    
  max min
A        
1   2   0
2   4   3

多个函数也可以作为列表传递给单个列:

>>> df.groupby('A').agg({'B': [np.min, np.max]})

     B     
  amin amax
A          
1    0    2
2    3    4

但是,这不适用于 lambda 函数,因为它们是匿名的并且都是 return <lambda>,这会导致名称冲突:

>>> df.groupby('A').agg({'B': [lambda x: x.min(), lambda x: x.max]})
SpecificationError: Function names must be unique, found multiple named <lambda>

为了避免SpecificationError, 命名函数可以先验定义而不是使用lambda. 合适的函数名也可以避免之后调用.rename数据框。可以使用与上述相同的列表语法传递这些函数:

>>> def my_min(x):
>>>     return x.min()

>>> def my_max(x):
>>>     return x.max()

>>> df.groupby('A').agg({'B': [my_min, my_max]})

       B       
  my_min my_max
A              
1      0      2
2      3      4
于 2017-05-10T15:39:39.197 回答
138

这将从分层列索引中删除最外层:

df = data.groupby(...).agg(...)
df.columns = df.columns.droplevel(0)

如果您想保留最外层,可以使用多级列上的 ravel() 函数来形成新标签:

df.columns = ["_".join(x) for x in df.columns.ravel()]

例如:

import pandas as pd
import pandas.rpy.common as com
import numpy as np

data = com.load_data('Loblolly')
print(data.head())
#     height  age Seed
# 1     4.51    3  301
# 15   10.89    5  301
# 29   28.72   10  301
# 43   41.74   15  301
# 57   52.70   20  301

df = data.groupby('Seed').agg(
    {'age':['sum'],
     'height':['mean', 'std']})
print(df.head())
#       age     height           
#       sum        std       mean
# Seed                           
# 301    78  22.638417  33.246667
# 303    78  23.499706  34.106667
# 305    78  23.927090  35.115000
# 307    78  22.222266  31.328333
# 309    78  23.132574  33.781667

df.columns = df.columns.droplevel(0)
print(df.head())

产量

      sum        std       mean
Seed                           
301    78  22.638417  33.246667
303    78  23.499706  34.106667
305    78  23.927090  35.115000
307    78  22.222266  31.328333
309    78  23.132574  33.781667

或者,要保留索引的第一级:

df = data.groupby('Seed').agg(
    {'age':['sum'],
     'height':['mean', 'std']})
df.columns = ["_".join(x) for x in df.columns.ravel()]

产量

      age_sum   height_std  height_mean
Seed                           
301        78    22.638417    33.246667
303        78    23.499706    34.106667
305        78    23.927090    35.115000
307        78    22.222266    31.328333
309        78    23.132574    33.781667
于 2013-09-29T13:47:39.513 回答
11

我同意 OP 的观点,即在同一个地方命名和定义输出列似乎更自然和一致(例如,正如在 R 中使用tidyverse 所做的summarize那样),但目前在 pandas 中的一种解决方法是使用创建新列在进行聚合之前通过所需的名称:assign

data.assign(
    f=data['column1'],
    mean=data['column2'],
    std=data['column2']
).groupby('Country').agg(dict(f=sum, mean=np.mean, std=np.std)).reset_index()

(使用reset_index'Country''f''mean''std'all 转换为具有单独整数索引的常规列。)

于 2018-03-20T21:11:41.860 回答
6

如果您希望具有类似于 JMP 的行为,请创建列标题以保留您可以使用的多索引中的所有信息:

newidx = []
for (n1,n2) in df.columns.ravel():
    newidx.append("%s-%s" % (n1,n2))
df.columns=newidx

它将更改您的数据框:

    I                       V
    mean        std         first
V
4200.0  25.499536   31.557133   4200.0
4300.0  25.605662   31.678046   4300.0
4400.0  26.679005   32.919996   4400.0
4500.0  26.786458   32.811633   4500.0

    I-mean      I-std       V-first
V
4200.0  25.499536   31.557133   4200.0
4300.0  25.605662   31.678046   4300.0
4400.0  26.679005   32.919996   4400.0
4500.0  26.786458   32.811633   4500.0
于 2016-11-20T10:25:26.527 回答
1

在@Joel Ostblom 的启发下

对于那些已经有一个仅用于聚合的可用字典的人,您可以使用/修改以下代码用于较新版本的聚合,分离聚合和重命名部分。如果超过 1 项,请注意嵌套字典。

def agg_translate_agg_rename(input_agg_dict):
    agg_dict = {}
    rename_dict = {}
    for k, v in input_agg_dict.items():
        if len(v) == 1:
            agg_dict[k] = list(v.values())[0]
            rename_dict[k] = list(v.keys())[0]
        else:
            updated_index = 1
            for nested_dict_k, nested_dict_v in v.items():
                modified_key = k + "_" + str(updated_index)
                agg_dict[modified_key] = nested_dict_v
                rename_dict[modified_key] = nested_dict_k
                updated_index += 1
    return agg_dict, rename_dict

one_dict = {"column1": {"foo": 'sum'}, "column2": {"mean": 'mean', "std": 'std'}}
agg, rename = agg_translator_aa(one_dict)

我们得到

agg = {'column1': 'sum', 'column2_1': 'mean', 'column2_2': 'std'}
rename = {'column1': 'foo', 'column2_1': 'mean', 'column2_2': 'std'}

如果有更聪明的方法,请告诉我。谢谢。

于 2017-10-08T01:26:51.923 回答
1

比如这种dataframe,列名有两层:

 shop_id  item_id   date_block_num item_cnt_day       
                                  target              
0   0       30          1            31               

我们可以使用这段代码:</p>

df.columns = [col[0] if col[-1]=='' else col[-1] for col in df.columns.values]

结果是:

 shop_id  item_id   date_block_num target              
0   0       30          1            31 
于 2019-03-05T10:53:13.127 回答