我有一个包含2列的pandas数据框(下面的代码段)。我正在尝试使用City列来推断Borough(您会注意到一些需要替换的Unspecified值)。要做到这一点,我试图为每个城市显示最高的自治市镇并输出到一个字典,其中关键是城市,价值将是该城市最高的自治市镇。
City Borough
Brooklyn Brooklyn
Astoria Queens
Astoria Unspecified
Ridgewood Unspecified
Ridgewood Queens
因此,如果发现里奇伍德与皇后队100次配对,布鲁克林配对4次,曼哈顿1次配对,那么这对将是里奇伍德:皇后区。
到目前为止,我已尝试过此代码:
specified = data[['Borough','City']][data['Borough']!= 'Unspecified']
paired = specified.Borough.groupby(specified.City).max()
乍一看,这似乎是正确的输出,但仔细检查后,输出完全不正确。有什么想法吗?
编辑:
尝试了以下建议: paired = specified.groupby('City')。agg(lambda x:stats.mode(x ['Borough'])[0])
我注意到一些自治市镇被截断,如下所示:
paired.Borough.value_counts()
#[Out]# QUEENS 58
#[Out]# MANHATTAN 7
#[Out]# STATEN ISLAND 4
#[Out]# BRONX 4
#[Out]# BROOKLYN 3
#[Out]# MANHATTA 2
#[Out]# STATE 1
#[Out]# QUEEN 1
#[Out]# MANHA 1
#[Out]# BROOK 1
当然我可以手动替换截断的单词,但我很想知道原因是什么?
PS - 这是DF指定FYI的输出:
specified
#[Out]# <class 'pandas.core.frame.DataFrame'>
#[Out]# Int64Index: 719644 entries, 1 to 396225
#[Out]# Data columns:
#[Out]# Borough 719644 non-null values
#[Out]# City 651617 non-null values
#[Out]# dtypes: object(2)
specified.Borough.value_counts()
#[Out]# QUEENS 215382
#[Out]# BROOKLYN 208565
#[Out]# MANHATTAN 150016
#[Out]# BRONX 94648
#[Out]# STATEN ISLAND 51033
答案 0 :(得分:7)
我相信这样做会:
from scipy import stats
d.groupby('City').agg(lambda x: stats.mode(x['Borough'])[0])
这为您提供了一个DataFrame,其中City作为索引,也是Borough专栏中最常用的行政区:
>>> d
City Borough
0 Brooklyn Brooklyn
1 Astoria Queens
2 Astoria Queens
3 Astoria Brooklyn
4 Astoria Unspecified
5 Ridgewood Unspecified
6 Ridgewood Queens
7 Ridgewood Queens
8 Ridgewood Brooklyn
9 Ridgewood Brooklyn
10 Ridgewood Brooklyn
>>> d.groupby('City').agg(lambda x: stats.mode(x['Borough'])[0])
Borough
City
Astoria Queens
Brooklyn Brooklyn
Ridgewood Brooklyn
(如果您没有安装scipy,则必须使用自己的“模式”功能,我猜您可以使用collections.Counter
进行操作。但是如果您使用的是熊猫,那么这是一个不错的选择。也有Scipy。)