python - functions - Grupo de pandas por: cómo obtener una unión de cadenas

python pandas download windows

Question

Tengo un marco de datos como este:

   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       !

Vocación

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

regresará

A
1    1.615586
2    0.421821
3    0.463468
4    0.643961

Ahora me gustaría hacer "lo mismo" para la columna "C". Como esa columna contiene cadenas, sum () no funciona (aunque podría pensar que concatenaría las cadenas). Lo que realmente me gustaría ver es una lista o un conjunto de cadenas para cada grupo, es decir,

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

He estado tratando de encontrar formas de hacer esto.

Series.unique () ( http://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.unique.html ) no funciona, aunque

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

es un

pandas.core.groupby.SeriesGroupBy object

así que esperaba que cualquier método de la Serie funcionara. ¿Algunas ideas?

Answer 1

Es posible que pueda usar la función de aggregate (o agg ) para concatenar los valores. (Código no probado)

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

Answer 2

Puede usar el método de aplicar para aplicar una función arbitraria a los datos agrupados. Entonces, si quieres un conjunto, aplica set . Si quieres una lista, aplica la 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

Si quieres algo más, solo escribe una función que haga lo que quieras y luego apply eso.

Answer 3

una solución simple sería:

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

Answer 4

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

Cuando aplica su propia función, no hay exclusiones automáticas de columnas no numéricas. Sin embargo, esto es más lento que la aplicación de .sum() al 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 por defecto se concatena

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

Puedes hacer más o menos lo que quieras

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

Haciendo esto un grupo completo de cuadros a la vez. La clave es devolver una 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}