groupby - python group by agg
Porcentaje de pandas del total con groupby (6)
Esto es obviamente simple, pero como un recién nacido numpy me estoy quedando atrapado.
Tengo un archivo CSV que contiene 3 columnas, el estado, el ID de Office y las ventas de esa oficina.
Quiero calcular el porcentaje de ventas por oficina en un estado determinado (el total de todos los porcentajes en cada estado es 100%).
df = pd.DataFrame({''state'': [''CA'', ''WA'', ''CO'', ''AZ''] * 3,
''office_id'': range(1, 7) * 2,
''sales'': [np.random.randint(100000, 999999)
for _ in range(12)]})
df.groupby([''state'', ''office_id'']).agg({''sales'': ''sum''})
Esto devuelve:
sales
state office_id
AZ 2 839507
4 373917
6 347225
CA 1 798585
3 890850
5 454423
CO 1 819975
3 202969
5 614011
WA 2 163942
4 369858
6 959285
Parece que no puedo entender cómo " groupby " al nivel state del groupby para sumar las sales de todo el state para calcular la fracción.
La forma simple que he usado es una fusión después de que los 2 groupby hacen una división simple.
import numpy as np
import pandas as pd
np.random.seed(0)
df = pd.DataFrame({''state'': [''CA'', ''WA'', ''CO'', ''AZ''] * 3,
''office_id'': list(range(1, 7)) * 2,
''sales'': [np.random.randint(100000, 999999) for _ in range(12)]})
state_office = df.groupby([''state'', ''office_id''])[''sales''].sum().reset_index()
state = df.groupby([''state''])[''sales''].sum().reset_index()
state_office = state_office.merge(state, left_on=''state'', right_on =''state'', how = ''left'')
state_office[''sales_ratio''] = 100*(state_office[''sales_x'']/state_office[''sales_y''])
state office_id sales_x sales_y sales_ratio
0 AZ 2 222579 1310725 16.981365
1 AZ 4 252315 1310725 19.250033
2 AZ 6 835831 1310725 63.768601
3 CA 1 405711 2098663 19.331879
4 CA 3 710581 2098663 33.858747
5 CA 5 982371 2098663 46.809373
6 CO 1 404137 1096653 36.851857
7 CO 3 217952 1096653 19.874290
8 CO 5 474564 1096653 43.273852
9 WA 2 535829 1543854 34.707233
10 WA 4 548242 1543854 35.511259
11 WA 6 459783 1543854 29.781508
Necesita hacer un segundo grupo por objeto que agrupe por estados y luego use el método div :
import numpy as np
import pandas as pd
np.random.seed(0)
df = pd.DataFrame({''state'': [''CA'', ''WA'', ''CO'', ''AZ''] * 3,
''office_id'': list(range(1, 7)) * 2,
''sales'': [np.random.randint(100000, 999999) for _ in range(12)]})
state_office = df.groupby([''state'', ''office_id'']).agg({''sales'': ''sum''})
state = df.groupby([''state'']).agg({''sales'': ''sum''})
state_office.div(state, level=''state'') * 100
sales
state office_id
AZ 2 16.981365
4 19.250033
6 63.768601
CA 1 19.331879
3 33.858747
5 46.809373
CO 1 36.851857
3 19.874290
5 43.273852
WA 2 34.707233
4 35.511259
6 29.781508
el level=''state'' kwarg en div le dice a los pandas que transmitan / unan la base de datos en los valores en el nivel de state del índice.
Para ser conciso, usaría SeriesGroupBy:
In [11]: c = df.groupby([''state'', ''office_id''])[''sales''].sum().rename("count")
In [12]: c
Out[12]:
state office_id
AZ 2 925105
4 592852
6 362198
CA 1 819164
3 743055
5 292885
CO 1 525994
3 338378
5 490335
WA 2 623380
4 441560
6 451428
Name: count, dtype: int64
In [13]: c / c.groupby(level=0).sum()
Out[13]:
state office_id
AZ 2 0.492037
4 0.315321
6 0.192643
CA 1 0.441573
3 0.400546
5 0.157881
CO 1 0.388271
3 0.249779
5 0.361949
WA 2 0.411101
4 0.291196
6 0.297703
Name: count, dtype: float64
Para múltiples grupos, debe usar la transformación (usando Radical''s df ):
In [21]: c = df.groupby(["Group 1","Group 2","Final Group"])["Numbers I want as percents"].sum().rename("count")
In [22]: c / c.groupby(level=[0, 1]).transform("sum")
Out[22]:
Group 1 Group 2 Final Group
AAHQ BOSC OWON 0.331006
TLAM 0.668994
MQVF BWSI 0.288961
FXZM 0.711039
ODWV NFCH 0.262395
...
Name: count, dtype: float64
Esto parece ser un poco más eficiente que las otras respuestas (apenas menos del doble de la velocidad de la respuesta de Radical, para mí ~ 0.08s).
Puede sum el DataFrame completo y dividir por el total del state :
# Copying setup from Paul H answer
import numpy as np
import pandas as pd
np.random.seed(0)
df = pd.DataFrame({''state'': [''CA'', ''WA'', ''CO'', ''AZ''] * 3,
''office_id'': list(range(1, 7)) * 2,
''sales'': [np.random.randint(100000, 999999) for _ in range(12)]})
# Add a column with the sales divided by state total sales.
df[''sales_ratio''] = (df / df.groupby([''state'']).transform(sum))[''sales'']
df
Devoluciones
office_id sales state sales_ratio
0 1 405711 CA 0.193319
1 2 535829 WA 0.347072
2 3 217952 CO 0.198743
3 4 252315 AZ 0.192500
4 5 982371 CA 0.468094
5 6 459783 WA 0.297815
6 1 404137 CO 0.368519
7 2 222579 AZ 0.169814
8 3 710581 CA 0.338587
9 4 548242 WA 0.355113
10 5 474564 CO 0.432739
11 6 835831 AZ 0.637686
Pero tenga en cuenta que esto solo funciona porque todas las columnas que no sean state son numéricas, lo que permite la suma de todo el DataFrame. Por ejemplo, si office_id es un caracter en su lugar, se obtiene un error:
df.office_id = df.office_id.astype(str)
df[''sales_ratio''] = (df / df.groupby([''state'']).transform(sum))[''sales'']
TypeError: tipo (s) de operandos no soportados para /: ''str'' y ''str''
Sé que esta es una pregunta antigua, pero exp1orer''s respuesta exp1orer''s es muy lenta para los conjuntos de datos con un gran número de grupos únicos (probablemente debido a la lambda). Construí su respuesta para convertirla en un cálculo de matriz, ¡así que ahora es súper rápido! A continuación se muestra el código de ejemplo:
Crea el dataframe de prueba con 50,000 grupos únicos
import random
import string
import pandas as pd
import numpy as np
np.random.seed(0)
# This is the total number of groups to be created
NumberOfGroups = 50000
# Create a lot of groups (random strings of 4 letters)
Group1 = [''''.join(random.choice(string.ascii_uppercase) for _ in range(4)) for x in range(NumberOfGroups/10)]*10
Group2 = [''''.join(random.choice(string.ascii_uppercase) for _ in range(4)) for x in range(NumberOfGroups/2)]*2
FinalGroup = [''''.join(random.choice(string.ascii_uppercase) for _ in range(4)) for x in range(NumberOfGroups)]
# Make the numbers
NumbersForPercents = [np.random.randint(100, 999) for _ in range(NumberOfGroups)]
# Make the dataframe
df = pd.DataFrame({''Group 1'': Group1,
''Group 2'': Group2,
''Final Group'': FinalGroup,
''Numbers I want as percents'': NumbersForPercents})
Cuando se agrupa, se ve así:
Numbers I want as percents
Group 1 Group 2 Final Group
AAAH AQYR RMCH 847
XDCL 182
DQGO ALVF 132
AVPH 894
OVGH NVOO 650
VKQP 857
VNLY HYFW 884
MOYH 469
XOOC GIDS 168
HTOY 544
AACE HNXU RAXK 243
YZNK 750
NOYI NYGC 399
ZYCI 614
QKGK CRLF 520
UXNA 970
TXAR MLNB 356
NMFJ 904
VQYG NPON 504
QPKQ 948
...
[50000 rows x 1 columns]
Método de matriz para encontrar el porcentaje:
# Initial grouping (basically a sorted version of df)
PreGroupby_df = df.groupby(["Group 1","Group 2","Final Group"]).agg({''Numbers I want as percents'': ''sum''}).reset_index()
# Get the sum of values for the "final group", append "_Sum" to it''s column name, and change it into a dataframe (.reset_index)
SumGroup_df = df.groupby(["Group 1","Group 2"]).agg({''Numbers I want as percents'': ''sum''}).add_suffix(''_Sum'').reset_index()
# Merge the two dataframes
Percents_df = pd.merge(PreGroupby_df, SumGroup_df)
# Divide the two columns
Percents_df["Percent of Final Group"] = Percents_df["Numbers I want as percents"] / Percents_df["Numbers I want as percents_Sum"] * 100
# Drop the extra _Sum column
Percents_df.drop(["Numbers I want as percents_Sum"], inplace=True, axis=1)
Este método toma aproximadamente ~ 0.15 segundos
Método de respuesta superior (usando la función lambda):
state_office = df.groupby([''Group 1'',''Group 2'',''Final Group'']).agg({''Numbers I want as percents'': ''sum''})
state_pcts = state_office.groupby(level=[''Group 1'',''Group 2'']).apply(lambda x: 100 * x / float(x.sum()))
Este método toma aproximadamente ~ 21 segundos para producir el mismo resultado.
El resultado:
Group 1 Group 2 Final Group Numbers I want as percents Percent of Final Group
0 AAAH AQYR RMCH 847 82.312925
1 AAAH AQYR XDCL 182 17.687075
2 AAAH DQGO ALVF 132 12.865497
3 AAAH DQGO AVPH 894 87.134503
4 AAAH OVGH NVOO 650 43.132050
5 AAAH OVGH VKQP 857 56.867950
6 AAAH VNLY HYFW 884 65.336290
7 AAAH VNLY MOYH 469 34.663710
8 AAAH XOOC GIDS 168 23.595506
9 AAAH XOOC HTOY 544 76.404494
La respuesta de Paul H es correcta, tendrá que hacer un segundo groupby objeto, pero puede calcular el porcentaje de una manera más simple: solo groupby la state_office y dividir la columna de sales por su suma. Copiando el comienzo de la respuesta de Paul H:
# From Paul H
import numpy as np
import pandas as pd
np.random.seed(0)
df = pd.DataFrame({''state'': [''CA'', ''WA'', ''CO'', ''AZ''] * 3,
''office_id'': list(range(1, 7)) * 2,
''sales'': [np.random.randint(100000, 999999)
for _ in range(12)]})
state_office = df.groupby([''state'', ''office_id'']).agg({''sales'': ''sum''})
# Change: groupby state_office and divide by sum
state_pcts = state_office.groupby(level=0).apply(lambda x:
100 * x / float(x.sum()))
Devoluciones:
sales
state office_id
AZ 2 16.981365
4 19.250033
6 63.768601
CA 1 19.331879
3 33.858747
5 46.809373
CO 1 36.851857
3 19.874290
5 43.273852
WA 2 34.707233
4 35.511259
6 29.781508