Dwie najważniejsze odpowiedzi sugerują:
df.groupby(cols).agg(lambda x:x.value_counts().index[0])
lub najlepiej
df.groupby(cols).agg(pd.Series.mode)
Jednak oba z nich zawodzą w prostych przypadkach skrajnych, jak pokazano tutaj:
df = pd.DataFrame({
'client_id':['A', 'A', 'A', 'A', 'B', 'B', 'B', 'C'],
'date':['2019-01-01', '2019-01-01', '2019-01-01', '2019-01-01', '2019-01-01', '2019-01-01', '2019-01-01', '2019-01-01'],
'location':['NY', 'NY', 'LA', 'LA', 'DC', 'DC', 'LA', np.NaN]
})
Pierwszy:
df.groupby(['client_id', 'date']).agg(lambda x:x.value_counts().index[0])
plony IndexError(z powodu pustej serii zwróconej przez grupę C). Drugi:
df.groupby(['client_id', 'date']).agg(pd.Series.mode)
zwraca ValueError: Function does not reduce, ponieważ pierwsza grupa zwraca listę dwóch (ponieważ istnieją dwa tryby). (Jak opisano tutaj , gdyby pierwsza grupa zwróciła pojedynczy tryb, zadziałałoby!)
Dwa możliwe rozwiązania w tym przypadku to:
import scipy
x.groupby(['client_id', 'date']).agg(lambda x: scipy.stats.mode(x)[0])
I rozwiązanie podane mi przez cs95 w komentarzach tutaj :
def foo(x):
m = pd.Series.mode(x);
return m.values[0] if not m.empty else np.nan
df.groupby(['client_id', 'date']).agg(foo)
Jednak wszystkie z nich są powolne i nie nadają się do dużych zbiorów danych. Rozwiązanie, z którego korzystałem, a które a) radzi sobie z tymi przypadkami i b) jest dużo, dużo szybsze, jest lekko zmodyfikowaną wersją odpowiedzi abw33 (która powinna być wyższa):
def get_mode_per_column(dataframe, group_cols, col):
return (dataframe.fillna(-1)
.groupby(group_cols + [col])
.size()
.to_frame('count')
.reset_index()
.sort_values('count', ascending=False)
.drop_duplicates(subset=group_cols)
.drop(columns=['count'])
.sort_values(group_cols)
.replace(-1, np.NaN))
group_cols = ['client_id', 'date']
non_grp_cols = list(set(df).difference(group_cols))
output_df = get_mode_per_column(df, group_cols, non_grp_cols[0]).set_index(group_cols)
for col in non_grp_cols[1:]:
output_df[col] = get_mode_per_column(df, group_cols, col)[col].values
Zasadniczo metoda działa na jednej kolumnie na raz i generuje df, więc zamiast concat, co jest intensywne, traktujesz pierwszą jako df, a następnie iteracyjnie dodajesz tablicę wyjściową ( values.flatten()) jako kolumnę w df.