Python Pandas 如何将 groupby 操作结果分配回父数据框中的列？

Posted 2023-02-16

【中文标题】Python Pandas 如何将 groupby 操作结果分配回父数据框中的列？

【英文标题】：Python Pandas How to assign groupby operation results back to columns in parent dataframe?

【发布时间】：2012-08-25 09:45:42

【问题描述】：

我在 IPython 中有以下数据框，其中每一行都是一个股票：

In [261]: bdata
Out[261]:
<class 'pandas.core.frame.DataFrame'>
Int64Index: 21210 entries, 0 to 21209
Data columns:
BloombergTicker      21206  non-null values
Company              21210  non-null values
Country              21210  non-null values
MarketCap            21210  non-null values
PriceReturn          21210  non-null values
SEDOL                21210  non-null values
yearmonth            21210  non-null values
dtypes: float64(2), int64(1), object(4)

我想应用一个 groupby 操作，计算“年月”列中每个日期的所有事物的上限加权平均回报。

这按预期工作：

In [262]: bdata.groupby("yearmonth").apply(lambda x: (x["PriceReturn"]*x["MarketCap"]/x["MarketCap"].sum()).sum())
Out[262]:
yearmonth
201204      -0.109444
201205      -0.290546

但是我想将这些值“广播”回原始数据框中的索引，并将它们保存为日期匹配的常量列。

In [263]: dateGrps = bdata.groupby("yearmonth")

In [264]: dateGrps["MarketReturn"] = dateGrps.apply(lambda x: (x["PriceReturn"]*x["MarketCap"]/x["MarketCap"].sum()).sum())
---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
/mnt/bos-devrnd04/usr6/home/espears/ws/Research/Projects/python-util/src/util/<ipython-input-264-4a68c8782426> in <module>()
----> 1 dateGrps["MarketReturn"] = dateGrps.apply(lambda x: (x["PriceReturn"]*x["MarketCap"]/x["MarketCap"].sum()).sum())

TypeError: 'DataFrameGroupBy' object does not support item assignment

我意识到这个幼稚的任务不应该奏效。但是，将 groupby 操作的结果分配到父数据帧上的新列中的“正确”Pandas 习语是什么？

最后，我想要一个名为“MarketReturn”的列，而不是所有与 groupby 操作的输出具有匹配日期的索引的重复常量值。

实现此目的的一个技巧如下：

marketRetsByDate  = dateGrps.apply(lambda x: (x["PriceReturn"]*x["MarketCap"]/x["MarketCap"].sum()).sum())

bdata["MarketReturn"] = np.repeat(np.NaN, len(bdata))

for elem in marketRetsByDate.index.values:
    bdata["MarketReturn"][bdata["yearmonth"]==elem] = marketRetsByDate.ix[elem]

但这很慢，很糟糕，而且不符合 Python 风格。

【问题讨论】：

您正在分配回您的分组对象，而不是您的原始框架。

我知道这一点，我直接在错误下方这么说，我说：“我意识到这个幼稚的分配不应该起作用。但是分配 groupby 的结果的“正确”Pandas 成语是什么操作到父数据框上的新列？”在 LHS 上使用我的原始数据框进行分配也不起作用，甚至比在 GroupBy 对象级别添加列更不直观。

【参考方案1】：

In [97]: df = pandas.DataFrame('month': np.random.randint(0,11, 100), 'A': np.random.randn(100), 'B': np.random.randn(100))

In [98]: df.join(df.groupby('month')['A'].sum(), on='month', rsuffix='_r')
Out[98]:
           A         B  month       A_r
0  -0.040710  0.182269      0 -0.331816
1  -0.004867  0.642243      1  2.448232
2  -0.162191  0.442338      4  2.045909
3  -0.979875  1.367018      5 -2.736399
4  -1.126198  0.338946      5 -2.736399
5  -0.992209 -1.343258      1  2.448232
6  -1.450310  0.021290      0 -0.331816
7  -0.675345 -1.359915      9  2.722156

【讨论】：

这仍然需要我保存 groupby 计算，而不是直接在我执行 groupby 操作的行上的 LHS 上进行分配。 Apply 可能比我在问题底部的 hack 中的循环要好一些，但它们基本上是相同的想法。

加入可以做到这一点，但您需要重命名添加的列。在这种情况下，A_r 是 new_col。

底部的连接示例确实有效，但没有清晰呈现。如果您想删除答案的第一部分并使后一部分更清楚一些，我会在接受之外投票。

我删除了第一种方法。老实说，我觉得代码不言自明，如果您想添加一些解释或对文档的引用，请随时编辑。我不是很喜欢投票系统，只是在这里支持一下熊猫。

我花了很长时间寻找这个答案，有点死灵帖子，但谢谢！ +1

【参考方案2】：

虽然我仍在探索 apply 连接给出的片段的所有令人难以置信的智能方式，但这是在 groupby 操作之后在父级中添加新列的另一种方法。

In [236]: df
Out[236]: 
  yearmonth    return
0    201202  0.922132
1    201202  0.220270
2    201202  0.228856
3    201203  0.277170
4    201203  0.747347

In [237]: def add_mkt_return(grp):
   .....:     grp['mkt_return'] = grp['return'].sum()
   .....:     return grp
   .....: 

In [238]: df.groupby('yearmonth').apply(add_mkt_return)
Out[238]: 
  yearmonth    return  mkt_return
0    201202  0.922132    1.371258
1    201202  0.220270    1.371258
2    201202  0.228856    1.371258
3    201203  0.277170    1.024516
4    201203  0.747347    1.024516

【讨论】：

您也可以在不使用 lambda 定义函数的情况下执行此操作并分配：df.groupby('yearmonth').apply(lambda grp: grp.assign(mkt_return=grp['return'].sum()))

【参考方案3】：

我可以建议transform 方法（而不是聚合）吗？如果您在原始示例中使用它，它应该做您想做的事情（广播）。

【讨论】：

我的理解是 transform 会产生一个看起来像它传递的对象。因此，如果您转换一个 DataFrame，您不仅会返回一列，还会返回一个 DataFrame。而在我的情况下，我想将新结果附加到原始数据框中。或者你是说我应该编写一个单独的函数来获取数据框，计算新列并附加新列，然后然后使用该函数进行转换？

我同意，transform是更好的选择，df['A-month-sum'] = df.groupby('month')['A'].transform(sum)

但是为什么会更好呢？它也一样，不是吗？它更快吗？

恕我直言，transform 看起来更干净。我没有 EMS 数据来确认这一点，但这可能有效（尽管可能需要修改 lambda 函数）：bdata['mkt_return'] = bdata.groupby("yearmonth").transform(lambda x: (x["PriceReturn"]*x["MarketCap"]/x["MarketCap"].sum()).sum())

如果我错了，请纠正我，transform 不允许在groupby 之后对多个列进行操作，例如df.groupby('col_3')[['col_1','col_2']].transform(lambda x: ((1-x.col_1.mean()) - x.col_2.std())) 将抛出一个错误，抱怨“没有属性 XXX”

【参考方案4】：

作为使用 groupby() 时的一般规则，如果您使用 .transform() 函数，pandas 将返回一个与原始表格长度相同的表格。当您使用 .sum() 或 .first() 等其他函数时，pandas 将返回一个表，其中每一行都是一个组。

我不确定这如何与 apply 一起工作，但使用 transform 实现复杂的 lambda 函数可能相当棘手，因此我认为最有用的策略是创建我需要的变量，将它们放在原始数据集中，然后执行我的在那里进行操作。

如果我了解您首先要正确执行的操作，您可以计算每个组的总市值：

bdata['group_MarketCap'] = bdata.groupby('yearmonth')['MarketCap'].transform('sum')

这将在您的原始数据中添加一个名为“group_MarketCap”的列，其中包含每个组的市值总和。然后你可以直接计算加权值：

bdata['weighted_P'] = bdata['PriceReturn'] * (bdata['MarketCap']/bdata['group_MarketCap'])

最后，您将使用相同的变换函数计算每个组的加权平均值：

bdata['MarketReturn'] = bdata.groupby('yearmonth')['weighted_P'].transform('sum')

我倾向于以这种方式构建我的变量。有时您可以将所有内容放在一个命令中，但这并不总是与 groupby() 一起使用，因为大多数时候 pandas 需要实例化新对象才能在整个数据集范围内对其进行操作（即，您不能如果两列尚不存在，则将两列加在一起）。

希望这会有所帮助:)

【参考方案5】：

我没有找到对原始数据框进行分配的方法。所以我只是存储来自组的结果并将它们连接起来。然后我们通过索引对连接的数据帧进行排序，得到原始顺序作为输入数据帧。这是一个示例代码：

In [10]: df = pd.DataFrame('month': np.random.randint(0,11, 100), 'A': np.random.randn(100), 'B': np.random.randn(100))

In [11]: df.head()
Out[11]:
   month         A         B
0      4 -0.029106 -0.904648
1      2 -2.724073  0.492751
2      7  0.732403  0.689530
3      2  0.487685 -1.017337
4      1  1.160858 -0.025232

In [12]: res = []

In [13]: for month, group in df.groupby('month'):
    ...:     new_df = pd.DataFrame(
    ...:         'A^2+B': group.A ** 2 + group.B,
    ...:         'A+B^2': group.A + group.B**2
    ...:     )
    ...:     res.append(new_df)
    ...:

In [14]: res = pd.concat(res).sort_index()

In [15]: res.head()
Out[15]:
      A^2+B     A+B^2
0 -0.903801  0.789282
1  7.913327 -2.481270
2  1.225944  1.207855
3 -0.779501  1.522660
4  1.322360  1.161495

此方法非常快速且可扩展。您可以在此处导出任何特征。

注意：如果数据框太大，concat可能会导致你的MMO错误。