Question

当一个pandas数据帧按一列分组时说“版本”并且有10个不同的版本。如何绘制前三名（覆盖超过90％）并将小余数放入一个“其他”-Bucket。

data = array([
              ('Top1', 14),
              ('Top1', 3),
              ('Top1', 2),
              ('Top2', 6),
              ('Top2', 7),
              ('Other1', 1),
              ('Other2', 2),
         ], 
      dtype=[('Version', 'S10'),('Value', '<i4')])
df = DataFrame.from_records(data)
df.groupby('Version').sum()

返回：

Value
Version 
Other1   1
Other2   2
Top1     19
Top2     13

我正在寻找

Value
Version 
Others   
Top1     19
Top2     13

仅为示例选择版本名称Other *和Top *。

当然，可以通过在分组后手动将类别设置为“其他”并与阈值进行比较来实现。我希望有一条捷径。

Answer 1

我假设您还希望将Other组求和，例如总共3个？

如果我的目标是赢得熊猫单线竞赛，这将是我的参赛作品：

df.replace(df.groupby('Version').sum().sort('Value', ascending=False).index[2:], 'Other').groupby('Version').sum()

         Value
Version       
Other        3
Top1        19
Top2        13

但这完全不可读，所以让我们分解一下：

您已经展示了如何对每个组进行求和，对此结果进行排序，并选择前2个以外的任何内容：

not_top2 = df.groupby('Version').sum().sort('Value', ascending=False).index[2:]

在此示例中，not_top2包含Other1和Other2。

我们可以将Versions替换为通用名称：

dfnew  = df.replace(not_top2, 'Other')
print dfnew

  Version  Value
0    Top1     14
1    Top1      3
2    Top1      2
3    Top2      6
4    Top2      7
5   Other      1
6   Other      2

以上内容取代了任何列中not_top2的内容。如果您希望此值出现在Version以外的任何其他列中，则需要一个小子步骤。

剩下的就是再次进行原始分组：

dfnew.groupby('Version').sum()

给出了：

         Value
Version       
Other        3
Top1        19
Top2        13

Answer 2

# number of top-n you want
n = 2

# group by & sort descending
df_sorted = (df
                .groupby('Version').sum()
                .sort_values('Value', ascending=False)
                .reset_index()
            )

# rename rows other than top-n to 'Others'
df_sorted.loc[df_sorted.index >= n, 'Version'] = 'Others'

# re-group by again
df_sorted.groupby('Version').sum()

如何将超过前N的“剩余”结果分组到带有熊猫的“其他”中

2 个答案: