python - seleccionar - Los pandas suman por grupo, pero excluyen ciertas columnas
seleccionar columna en python (3)
¿Cuál es la mejor manera de hacer un grupo en un marco de datos de Pandas, pero excluir algunas columnas de ese grupo? Por ejemplo, tengo el siguiente marco de datos:
Code Country Item_Code Item Ele_Code Unit Y1961 Y1962 Y1963
2 Afghanistan 15 Wheat 5312 Ha 10 20 30
2 Afghanistan 25 Maize 5312 Ha 10 20 30
4 Angola 15 Wheat 7312 Ha 30 40 50
4 Angola 25 Maize 7312 Ha 30 40 50
Quiero agrupar por la columna Country y Item_Code y solo calcular la suma de las filas que se encuentran debajo de las columnas Y1961, Y1962 e Y1963. El marco de datos resultante debería verse así:
Code Country Item_Code Item Ele_Code Unit Y1961 Y1962 Y1963
2 Afghanistan 15 C3 5312 Ha 20 40 60
4 Angola 25 C4 7312 Ha 60 80 100
En este momento estoy haciendo esto:
df.groupby(''Country'').sum()
Sin embargo, esto suma los valores en la columna Item_Code también.
¿Hay alguna forma de especificar qué columnas incluir en la operación
sum()
y cuáles excluir?
La función
agg
lo hará por usted.
Pase las columnas y funcione como un dict con columna, salida:
df.groupby([''Country'', ''Item_Code'']).agg({''Y1961'': np.sum, ''Y1962'': [np.sum, np.mean]}) # Added example for two output columns from a single input column
Esto mostrará solo el grupo por columnas y las columnas agregadas especificadas. En este ejemplo, incluí dos funciones agg aplicadas a ''Y1962''.
Para obtener exactamente lo que esperaba ver, incluya las otras columnas en el grupo y aplique sumas a las variables Y en el marco:
df.groupby([''Code'', ''Country'', ''Item_Code'', ''Item'', ''Ele_Code'', ''Unit'']).agg({''Y1961'': np.sum, ''Y1962'': np.sum, ''Y1963'': np.sum})
Puede seleccionar las columnas de un grupo por:
In [11]: df.groupby([''Country'', ''Item_Code''])[["Y1961", "Y1962", "Y1963"]].sum()
Out[11]:
Y1961 Y1962 Y1963
Country Item_Code
Afghanistan 15 10 20 30
25 10 20 30
Angola 15 30 40 50
25 30 40 50
Tenga en cuenta que la lista aprobada debe ser un subconjunto de las columnas; de lo contrario, verá un KeyError.
Si está buscando una forma más generalizada de aplicar a muchas columnas, lo que puede hacer es crear una lista de nombres de columnas y pasarla como el índice del marco de datos agrupado. En su caso, por ejemplo:
columns = [''Y''+str(i) for year in range(1967, 2011)]
df.groupby(''Country'')[columns].agg(''sum'')