对两个数组进行分组和归一化
Posted
技术标签:
【中文标题】对两个数组进行分组和归一化【英文标题】:groupby and normalize over two arrays 【发布时间】:2016-10-07 16:17:51 【问题描述】:我有一个DataFrame
,其中的列是MultiIndex
。第一个level
指定'labels'
,第二个指定'values'
。 df.labels
的(i, j)
位置中的'label'
对应于df.values
的(i, j)
位置中的'value'
。
我想重新调整'values'
,使它们在相应'labels'
定义的每个组中总和为一个。
import pandas as pd
import numpy as np
np.random.seed([3,1415])
df1 = pd.DataFrame(np.random.choice(('a', 'b', 'c', 'd'),
(10, 5), p=(.4, .3, .2, .1)))
df2 = pd.DataFrame((np.random.rand(10, 5) * 10).round(0))
df = pd.concat([df1, df2], axis=1, keys=['labels', 'values'])
print df
labels values
0 1 2 3 4 0 1 2 3 4
0 b b b b b 5.0 2.0 7.0 7.0 4.0
1 a c c c c 6.0 8.0 1.0 5.0 7.0
2 d c c d c 6.0 3.0 10.0 7.0 4.0
3 a a a b a 5.0 9.0 9.0 5.0 8.0
4 a b a c c 0.0 4.0 1.0 8.0 0.0
5 c b a a b 1.0 6.0 8.0 6.0 1.0
6 c c c a c 9.0 9.0 4.0 1.0 1.0
7 d c a b c 7.0 0.0 3.0 6.0 4.0
8 b a b a a 8.0 6.0 3.0 5.0 4.0
9 c c c b c 2.0 5.0 3.0 1.0 3.0
我希望结果如下所示:
labels values
0 1 2 3 4 0 1 2 3 4
0 b b b b b 0.084746 0.033898 0.118644 0.118644 0.067797
1 a c c c c 0.084507 0.091954 0.011494 0.057471 0.080460
2 d c c d c 0.300000 0.034483 0.114943 0.350000 0.045977
3 a a a b a 0.070423 0.126761 0.126761 0.084746 0.112676
4 a b a c c 0.000000 0.067797 0.014085 0.091954 0.000000
5 c b a a b 0.011494 0.101695 0.112676 0.084507 0.016949
6 c c c a c 0.103448 0.103448 0.045977 0.014085 0.011494
7 d c a b c 0.350000 0.000000 0.042254 0.101695 0.045977
8 b a b a a 0.135593 0.084507 0.050847 0.070423 0.056338
9 c c c b c 0.022989 0.057471 0.034483 0.016949 0.034483
【问题讨论】:
能否澄清您的预期结果中的总和为 1? @BrenBarn 对应标签为“a”的所有值的总和应为 1。 我明白了。你在下面有一个答案。不过,总的来说,我认为如果您重塑数据以使每一行都是一个单独的观察值,则此类操作会更直接地处理。例如,一行将包含“标签”、“数字”(您的 0-1-2-3-4)和“值”列。然后,对其中任何一个进行分组变得简单。 @BrenBarn 我同意。因此,这成为了重塑、分组和分配的练习。我在下面有我的解决方案(对于那些没有特权的人,它已被删除,因此您看不到它),这就是我生成预期输出的方式。 如果解决方案有效,您为什么要删除它? 【参考方案1】:要获得标准化值,您可以:
new_values = pd.DataFrame(data=np.zeros(df['values'].shape))
for v in np.unique(df['labels']):
mask = df['values'].where(df['labels'].isin([v]))
new_values += mask.div(mask.sum().sum()).fillna(0)
df.loc[:, 'values'] = new_values.values
也作为一个有点不可读的单行:
df.loc[:, 'values'] = np.sum([df['values'].where(df['labels'].isin([v])).div(df['values'].where(df['labels'].isin([v])).sum().sum()).fillna(0).values for v in np.unique(df['labels'])], axis=0)
或者,使用.groupby()
:
tmp = pd.DataFrame(np.hstack((df['labels'].values.reshape(-1, 1), df['values'].values.reshape(-1, 1))))
df.loc[:, 'values'] = tmp.groupby(0).transform(lambda x: x/x.sum()).values.reshape(df['values'].shape)
两者都导致:
labels values
0 1 2 3 4 0 1 2 3 4
0 b b b b b 0.084746 0.033898 0.118644 0.118644 0.067797
1 a c c c c 0.084507 0.091954 0.011494 0.057471 0.080460
2 d c c d c 0.300000 0.034483 0.114943 0.350000 0.045977
3 a a a b a 0.070423 0.126761 0.126761 0.084746 0.112676
4 a b a c c 0.000000 0.067797 0.014085 0.091954 0.000000
5 c b a a b 0.011494 0.101695 0.112676 0.084507 0.016949
6 c c c a c 0.103448 0.103448 0.045977 0.014085 0.011494
7 d c a b c 0.350000 0.000000 0.042254 0.101695 0.045977
8 b a b a a 0.135593 0.084507 0.050847 0.070423 0.056338
9 c c c b c 0.022989 0.057471 0.034483 0.016949 0.034483
【讨论】:
【参考方案2】:虽然pd.DataFrame.xs
可以方便地检索一些切片:
df.xs('values', axis=1, level=0)
很遗憾,它不允许我们分配。如果我们想使用pd.DataFrame.loc
,我们需要能够指定我们想要分配的行和列索引。
使用pd.IndexSlice
将pd.MultiIndex
按其不同级别进行切片。以下是从第一级访问values
索引的通用表示,对第二级没有限制。
pd.IndexSlice['values', :]
当我们将它与pd.DataFrame.loc
结合使用时,我们允许自己分配给pd.DataFrame
的非常特定的切片。以下检索并允许无限制地分配给所有行,并将列限制为第一级等于'values'
的列
df.loc[:, pd.IndexSlice['values', :]]
为了标准化labels
部分中的值,我将转到stack()
df
,以便将所有'labels'
展开到与values
对齐的单个列中。这是这个堆叠的head()
df.stack().head()
labels values
0 0 b 0.084746
1 b 0.033898
2 b 0.118644
3 b 0.118644
4 b 0.067797
1234563正确的顺序。
最终答案
df.loc[:, pd.IndexSlice['values', :]] = \
df.stack().groupby('labels')['values'].apply(
lambda x: x / x.sum()).unstack().values
【讨论】:
以上是关于对两个数组进行分组和归一化的主要内容,如果未能解决你的问题,请参考以下文章