Pandy groupby: Jak uzyskać związek strun

Mam taką ramkę danych:

   A         B       C
0  1  0.749065    This
1  2  0.301084      is
2  3  0.463468       a
3  4  0.643961  random
4  1  0.866521  string
5  2  0.120737       !

Powołanie

In [10]: print df.groupby("A")["B"].sum()

wróci

A
1    1.615586
2    0.421821
3    0.463468
4    0.643961

Teraz chciałbym zrobić „to samo” dla kolumny „C”. Ponieważ ta kolumna zawiera ciągi, sum () nie działa (chociaż możesz pomyśleć, że połączy łańcuchy). To, co naprawdę chciałbym zobaczyć, to lista lub zestaw ciągów dla każdej grupy, tj

A
1    {This, string}
2    {is, !}
3    {a}
4    {random}

Próbowałem znaleźć sposób, aby to zrobić.

Series.unique () ( http://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.unique.html ) nie działa, chociaż

df.groupby("A")["B"]

jest

pandas.core.groupby.SeriesGroupBy object

więc miałem nadzieję, że jakakolwiek metoda serii zadziała. Jakieś pomysły?

In [4]: df = read_csv(StringIO(data),sep='\s+')

In [5]: df
Out[5]: 
   A         B       C
0  1  0.749065    This
1  2  0.301084      is
2  3  0.463468       a
3  4  0.643961  random
4  1  0.866521  string
5  2  0.120737       !

In [6]: df.dtypes
Out[6]: 
A      int64
B    float64
C     object
dtype: object

Kiedy stosujesz własną funkcję, nie ma automatycznego wykluczania kolumn nienumerycznych. Jest to jednak wolniejsze niż zastosowanie .sum()dogroupby

In [8]: df.groupby('A').apply(lambda x: x.sum())
Out[8]: 
   A         B           C
A                         
1  2  1.615586  Thisstring
2  4  0.421821         is!
3  3  0.463468           a
4  4  0.643961      random

sum domyślnie łączy się

In [9]: df.groupby('A')['C'].apply(lambda x: x.sum())
Out[9]: 
A
1    Thisstring
2           is!
3             a
4        random
dtype: object

Możesz robić prawie wszystko, co chcesz

In [11]: df.groupby('A')['C'].apply(lambda x: "{%s}" % ', '.join(x))
Out[11]: 
A
1    {This, string}
2           {is, !}
3               {a}
4          {random}
dtype: object

Robię to na całej klatce, jednej grupie naraz. Kluczem jest zwrócenie plikuSeries

def f(x):
     return Series(dict(A = x['A'].sum(), 
                        B = x['B'].sum(), 
                        C = "{%s}" % ', '.join(x['C'])))

In [14]: df.groupby('A').apply(f)
Out[14]: 
   A         B               C
A                             
1  2  1.615586  {This, string}
2  4  0.421821         {is, !}
3  3  0.463468             {a}
4  4  0.643961        {random}

Możesz użyć tej applymetody, aby zastosować dowolną funkcję do zgrupowanych danych. Więc jeśli chcesz zestaw, aplikuj set. Jeśli chcesz otrzymać listę, aplikuj list.

>>> d
   A       B
0  1    This
1  2      is
2  3       a
3  4  random
4  1  string
5  2       !
>>> d.groupby('A')['B'].apply(list)
A
1    [This, string]
2           [is, !]
3               [a]
4          [random]
dtype: object

Jeśli chcesz czegoś innego, po prostu napisz funkcję, która robi to, co chcesz, a potem applyto.

Możesz użyć funkcji aggregate(lub agg) do konkatenacji wartości. (Nieprzetestowany kod)

df.groupby('A')['B'].agg(lambda col: ''.join(col))

Możesz spróbować tego:

df.groupby('A').agg({'B':'sum','C':'-'.join})

prostym rozwiązaniem byłoby:

>>> df.groupby(['A','B']).c.unique().reset_index()

Nazwane agregacje z pandas >= 0.25.0

Od wersji 0.25.0 pandy nazwaliśmy agregacje, w których możemy grupować, agregować i jednocześnie przypisywać nowe nazwy do naszych kolumn. W ten sposób nie otrzymamy kolumn MultiIndex, a nazwy kolumn mają większy sens, biorąc pod uwagę zawarte w nich dane:

agregować i uzyskać listę ciągów

grp = df.groupby('A').agg(B_sum=('B','sum'),
                          C=('C', list)).reset_index()

print(grp)
   A     B_sum               C
0  1  1.615586  [This, string]
1  2  0.421821         [is, !]
2  3  0.463468             [a]
3  4  0.643961        [random]

agregować i łączyć w ciągi

grp = df.groupby('A').agg(B_sum=('B','sum'),
                          C=('C', ', '.join)).reset_index()

print(grp)
   A     B_sum             C
0  1  1.615586  This, string
1  2  0.421821         is, !
2  3  0.463468             a
3  4  0.643961        random

Jeśli chcesz nadpisać kolumnę B w ramce danych, powinno to zadziałać:

    df = df.groupby('A',as_index=False).agg(lambda x:'\n'.join(x))

Zgodnie z dobrą odpowiedzią @ Erfana, w większości przypadków w analizie zagregowanych wartości potrzebujesz unikalnych możliwych kombinacji tych istniejących wartości znaków:

unique_chars = lambda x: ', '.join(x.unique())
(df
 .groupby(['A'])
 .agg({'C': unique_chars}))