Question

关于具体问题，请说我有一个DataFrame DF

     word  tag count
0    a     S    30
1    the   S    20
2    a     T    60
3    an    T    5
4    the   T    10

我想找到，为每个“字”，“标记”具有最多“计数”。所以回报就像是

     word  tag count
1    the   S    20
2    a     T    60
3    an    T    5

我不关心计数列，或者订单/索引是原始的还是搞砸了。返回字典{'the'：'S'，...}就好了。

我希望我能做到

DF.groupby(['word']).agg(lambda x: x['tag'][ x['count'].argmax() ] )

但它不起作用。我无法访问列信息。

更抽象地， agg（ function ）中函数的内容是什么？？

btw，.agg（）与.aggregate（）相同吗？

非常感谢。

Answer 1

agg与aggregate相同。它是可调用的，一次一个地传递Series的列（DataFrame个对象）。

您可以使用idxmax来收集最大行的索引标签数：

idx = df.groupby('word')['count'].idxmax()
print(idx)

产量

word
a       2
an      3
the     1
Name: count

然后使用loc在word和tag列中选择这些行：

print(df.loc[idx, ['word', 'tag']])

产量

  word tag
2    a   T
3   an   T
1  the   S

请注意，idxmax会返回索引标签。 df.loc可用于选择行按标签。但是，如果索引不是唯一的 - 也就是说，如果存在具有重复索引标签的行 - 那么df.loc将选择带有idx中列出的标签的所有行。因此，如果您将df.index.is_unique与True

一起使用，请注意idxmax为df.loc

另外，您可以使用apply。 apply的callable传递了一个子DataFrame，可以访问所有列：

import pandas as pd
df = pd.DataFrame({'word':'a the a an the'.split(),
                   'tag': list('SSTTT'),
                   'count': [30, 20, 60, 5, 10]})

print(df.groupby('word').apply(lambda subf: subf['tag'][subf['count'].idxmax()]))

产量

word
a       T
an      T
the     S

使用idxmax和loc通常比apply更快，尤其是对于大型DataFrame。使用IPython的％timeit：

N = 10000
df = pd.DataFrame({'word':'a the a an the'.split()*N,
                   'tag': list('SSTTT')*N,
                   'count': [30, 20, 60, 5, 10]*N})
def using_apply(df):
    return (df.groupby('word').apply(lambda subf: subf['tag'][subf['count'].idxmax()]))

def using_idxmax_loc(df):
    idx = df.groupby('word')['count'].idxmax()
    return df.loc[idx, ['word', 'tag']]

In [22]: %timeit using_apply(df)
100 loops, best of 3: 7.68 ms per loop

In [23]: %timeit using_idxmax_loc(df)
100 loops, best of 3: 5.43 ms per loop

如果您想要将字词映射到标签，那么您可以使用set_index 和to_dict这样：

In [36]: df2 = df.loc[idx, ['word', 'tag']].set_index('word')

In [37]: df2
Out[37]: 
     tag
word    
a      T
an     T
the    S

In [38]: df2.to_dict()['tag']
Out[38]: {'a': 'T', 'an': 'T', 'the': 'S'}

Answer 2

这是一种简单的方法来确定传递的内容（unutbu）解决方案然后'应用'！

In [33]: def f(x):
....:     print type(x)
....:     print x
....:     

In [34]: df.groupby('word').apply(f)
<class 'pandas.core.frame.DataFrame'>
  word tag  count
0    a   S     30
2    a   T     60
<class 'pandas.core.frame.DataFrame'>
  word tag  count
0    a   S     30
2    a   T     60
<class 'pandas.core.frame.DataFrame'>
  word tag  count
3   an   T      5
<class 'pandas.core.frame.DataFrame'>
  word tag  count
1  the   S     20
4  the   T     10

你的函数只是在帧的子部分运行（在这种情况下），分组变量都具有相同的值（在这个cas'sword'中），如果你传递一个函数，那么你必须处理与潜在的非字符串列的聚合;标准函数，比如'sum'为你做这个

自动不在字符串列上聚合

In [41]: df.groupby('word').sum()
Out[41]: 
      count
word       
a        90
an        5
the      30

您正在聚合所有列

In [42]: df.groupby('word').apply(lambda x: x.sum())
Out[42]: 
        word tag count
word                  
a         aa  ST    90
an        an   T     5
the   thethe  ST    30

你可以在函数中做很多事情

In [43]: df.groupby('word').apply(lambda x: x['count'].sum())
Out[43]: 
word
a       90
an       5
the     30

python pandas，DF.groupby（）。agg（），agg（）中的列引用

2 个答案: