熊猫,分组和计数
Posted
技术标签:
【中文标题】熊猫,分组和计数【英文标题】:Pandas, groupby and count 【发布时间】:2018-04-29 10:55:25 【问题描述】:我有一个这样的数据框
>>> df = pd.DataFrame('user_id':['a','a','s','s','s'],
'session':[4,5,4,5,5],
'revenue':[-1,0,1,2,1])
>>> df
revenue session user_id
0 -1 4 a
1 0 5 a
2 1 4 s
3 2 5 s
4 1 5 s
而session和receiver的每一个值都代表一种类型,我想统计每种类型的个数,比如user_id=a
的revenue=-1
和session=4
的个数是1。
我发现groupby()
之后的简单调用count()
函数无法输出我想要的结果。
>>> df.groupby('user_id').count()
revenue session
user_id
a 2 2
s 3 3
我该怎么做?
【问题讨论】:
从 pandas 1.1 这可以通过df.value_counts
实现,让您避免分组步骤。
【参考方案1】:
您似乎想一次按几列分组:
df.groupby(['revenue','session','user_id'])['user_id'].count()
应该给你你想要的
【讨论】:
【参考方案2】:pandas >= 1.1:df.value_counts
可用!
从 pandas 1.1 开始,这将是我推荐的计算组中行数(即组大小)的方法。要计算组中的非 nan 行数特定列,请查看accepted answer。
旧
df.groupby(['A', 'B']).size() # df.groupby(['A', 'B'])['C'].count()
新 [✓]
df.value_counts(subset=['A', 'B'])
注意size
和count
不相同,前者计算每组的所有行,后者仅计算非空行。请参阅this other answer of mine 了解更多信息。
小例子
pd.__version__
# '1.1.0.dev0+2004.g8d10bfb6f'
df = pd.DataFrame('num_legs': [2, 4, 4, 6],
'num_wings': [2, 0, 0, 0],
index=['falcon', 'dog', 'cat', 'ant'])
df
num_legs num_wings
falcon 2 2
dog 4 0
cat 4 0
ant 6 0
df.value_counts(subset=['num_legs', 'num_wings'], sort=False)
num_legs num_wings
2 2 1
4 0 2
6 0 1
dtype: int64
将此输出与
进行比较df.groupby(['num_legs', 'num_wings'])['num_legs'].size()
num_legs num_wings
2 2 1
4 0 2
6 0 1
Name: num_legs, dtype: int64
性能
如果不对结果进行排序也会更快:
%timeit df.groupby(['num_legs', 'num_wings'])['num_legs'].count()
%timeit df.value_counts(subset=['num_legs', 'num_wings'], sort=False)
640 µs ± 28.2 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
568 µs ± 6.88 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
【讨论】:
当我将subset
与value_counts
一起使用并进行打印时,我会丢失列标题;知道为什么会这样吗?
与@FMFF 有同样的问题。我失去了我分组的列。相反,它们以“columnA/columnB”的形式充当索引
@petzholt 使用as_index=False
作为groupby
的参数怎么样?【参考方案3】:
我在同样的问题上苦苦挣扎,使用了上面提供的解决方案。您实际上可以指定要计算的任何列:
df.groupby(['revenue','session','user_id'])['revenue'].count()
和
df.groupby(['revenue','session','user_id'])['session'].count()
会给出相同的答案。
【讨论】:
只有当所有列都包含相同数量的非 NA 值时才适用。 这个答案不正确,您不能为“count”指定 any 列,因为 count() 只计算非空值,而不同的列可以有不同的 nan 计数。如果您要计算每个组中的行数,请改用df.value_counts(subset=['...])
(请参阅here)。以上是关于熊猫,分组和计数的主要内容,如果未能解决你的问题,请参考以下文章