pandas 数据框中的聚合，其中一行中的列名

Posted 2023-02-16

【中文标题】pandas 数据框中的聚合，其中一行中的列名

【英文标题】：Aggregation in pandas dataframe with columns names in one row

【发布时间】：2020-09-15 15:14:27

【问题描述】：

我正在使用Python 3.6 并且我正在做一个聚合，我已经正确地完成了，但是列名不是我想要的形式。

df = pd.DataFrame('ID':[1,1,2,2,2],
                   'revenue':[1,3,5,1,5],
                   'month':['2012-01-01','2012-01-01','2012-03-01','2014-01-01','2012-01-01'])
print(df)
   ID       month  revenue
0   1  2012-01-01        1
1   1  2012-01-01        3
2   2  2012-03-01        5
3   2  2014-01-01        1
4   2  2012-01-01        5

进行下面的聚合。

df = df.groupby(['ID']).agg('revenue':'sum','month':[('distinct_m','nunique'),('month_m','first')]).reset_index()
print(df)
  ID revenue      month            
         sum distinct_m     month_m
0  1       4          1  2012-01-01
1  2      11          3  2012-03-01

期望的输出是：

  ID revenue   distinct_m       month
0  1       4            1  2012-01-01
1  2      11            3  2012-03-01

问题是我在agg() 中使用了混合形式的表达式。如果只是agg('revenue':'sum')，我会得到一个名为revenue 的列，格式与我想要的完全相同，如下所示：

  ID revenue 
0  1       4 
1  2      11 

但是，由于我还要创建 2 个额外的列，使用 tuple 形式 ('distinct_m','nunique'),('month_m','first')，我得到的列名分布在两行中。

有没有办法在一个聚合agg() 中获得上面显示的所需输出？我想避免对'revenue':'sum' 使用元组形式。我不是在寻找多个操作来获得正确的列名。我正在使用Python 3.6。

【问题讨论】：

你昨天问了这个确切的问题here

不完全相同，但确实相似。

【参考方案1】：

为了避免这个问题，使用named aggregations在pandas 0.25+中工作，可以指定每个列的名称：

df = (df.groupby(['ID']).agg(revenue=('revenue','sum'),
                             distinct_m=('month','nunique'),
                             month_m = ('month','first')
                            ).reset_index())
print(df)
   ID  revenue  distinct_m     month_m
0   1        4           1  2012-01-01
1   2       11           3  2012-03-01

对于较低的 pandas 版本，可以将 MultiIndex 中的列展平，然后将 rename 中的列展平：

df = df.groupby(['ID']).agg('revenue':'sum',
                             'month':[('distinct_m','nunique'),('month_m','first')])
df.columns = df.columns.map('_'.join)
df = df.rename(columns='revenue_sum':'revenue',
                        'month_distinct_m':'distinct_m',
                        'month_month_m':'month_m')
df = df.reset_index()
print(df)
   ID  revenue  distinct_m     month_m
0   1        4           1  2012-01-01
1   2       11           3  2012-03-01

【讨论】：

按照您的建议，我已经完成了完全相同的操作，但是在 3.6 版上它不起作用。另外，我想使用像'revenue':'sum' 这样的混合表达式，尽可能在需要的地方使用相同的列名和元组。

@cph_sto - 我认为熊猫低于 0.25.0，所以不工作。

是的，没错。我知道这一点，这就是为什么要尝试其他方法。

@cph_sto - 有什么明显的原因；）？

给你先生 :)