recorrer - seleccionar columnas pandas python

El valor de Groupby cuenta con los pandas del marco de datos

Question

Tengo el siguiente marco de datos:

df = pd.DataFrame([
(1, 1, ''term1''),
(1, 2, ''term2''),
(1, 1, ''term1''),
(1, 1, ''term2''),
(2, 2, ''term3''),
(2, 3, ''term1''),
(2, 2, ''term1'')
], columns=[''id'', ''group'', ''term''])

Quiero agruparlo por id y group y calcular el número de cada término para este id, par de grupo.

Así que al final obtendré algo como esto:

Pude lograr lo que quería al df.iterrows() todas las filas con df.iterrows() y crear un nuevo marco de datos, pero esto es claramente ineficiente. (Si ayuda, conozco la lista de todos los términos de antemano y hay ~ 10 de ellos).

Parece que tengo que agrupar por y luego contar los valores, así que lo intenté con df.groupby([''id'', ''group'']).value_counts() que no funciona porque value_counts opera en la serie groupby y no un marco de datos.

¿De todos modos puedo lograr esto sin bucles?

Answer 1

En lugar de recordar soluciones largas, ¿qué tal la que los pandas ha incorporado para usted?

df.groupby([''id'', ''group'', ''term'']).count()

Answer 2

Puede usar la crosstab :

print (pd.crosstab([df.id, df.group], df.term))
term term1 term2 term3
id group
1 1 2 1 0
2 0 1 0
2 2 1 0 1
3 1 0 0

Otra solución con groupby con size agregación, remodelando por unstack :

df.groupby([''id'', ''group'', ''term''])[''term''].size().unstack(fill_value=0)
term term1 term2 term3
id group
1 1 2 1 0
2 0 1 0
2 2 1 0 1
3 1 0 0

Tiempos :

df = pd.concat([df]*10000).reset_index(drop=True)
In [48]: %timeit (df.groupby([''id'', ''group'', ''term'']).size().unstack(fill_value=0))
100 loops, best of 3: 12.4 ms per loop
In [49]: %timeit (df.groupby([''id'', ''group'', ''term''])[''term''].size().unstack(fill_value=0))
100 loops, best of 3: 12.2 ms per loop

Answer 3

Uso groupby y size

df.groupby([''id'', ''group'', ''term'']).size().unstack(fill_value=0)

Sincronización

1,000,000 filas

df = pd.DataFrame(dict(id=np.random.choice(100, 1000000),
group=np.random.choice(20, 1000000),
term=np.random.choice(10, 1000000)))

Answer 4

utilizando el método pivot_table() :

In [22]: df.pivot_table(index=[''id'',''group''], columns=''term'', aggfunc=''size'', fill_value=0)
Out[22]:
term term1 term2 term3
id group
1 1 2 1 0
2 0 1 0
2 2 1 0 1
3 1 0 0

Tiempo contra 700K filas DF:

In [24]: df = pd.concat([df] * 10**5, ignore_index=True)
In [25]: df.shape
Out[25]: (700000, 3)
In [3]: %timeit df.groupby([''id'', ''group'', ''term''])[''term''].size().unstack(fill_value=0)
1 loop, best of 3: 226 ms per loop
In [4]: %timeit df.pivot_table(index=[''id'',''group''], columns=''term'', aggfunc=''size'', fill_value=0)
1 loop, best of 3: 236 ms per loop
In [5]: %timeit pd.crosstab([df.id, df.group], df.term)
1 loop, best of 3: 355 ms per loop
In [6]: %timeit df.groupby([''id'',''group'',''term''])[''term''].size().unstack().fillna(0).astype(int)
1 loop, best of 3: 232 ms per loop
In [7]: %timeit df.groupby([''id'', ''group'', ''term'']).size().unstack(fill_value=0)
1 loop, best of 3: 231 ms per loop

Tiempo contra 7M filas DF:

In [9]: df = pd.concat([df] * 10, ignore_index=True)
In [10]: df.shape
Out[10]: (7000000, 3)
In [11]: %timeit df.groupby([''id'', ''group'', ''term''])[''term''].size().unstack(fill_value=0)
1 loop, best of 3: 2.27 s per loop
In [12]: %timeit df.pivot_table(index=[''id'',''group''], columns=''term'', aggfunc=''size'', fill_value=0)
1 loop, best of 3: 2.3 s per loop
In [13]: %timeit pd.crosstab([df.id, df.group], df.term)
1 loop, best of 3: 3.37 s per loop
In [14]: %timeit df.groupby([''id'',''group'',''term''])[''term''].size().unstack().fillna(0).astype(int)
1 loop, best of 3: 2.28 s per loop
In [15]: %timeit df.groupby([''id'', ''group'', ''term'']).size().unstack(fill_value=0)
1 loop, best of 3: 1.89 s per loop