Question

我确实有一个分组数据框。以下是一组示例：

name    pH   salt  id   
sample  7.5  50    1        0.48705
                   2        0.42875
                   3        0.38885
                   4        0.34615
                   5        0.35060
                   6        0.29280
                   7        0.28210
                   8        0.24535
                   stock    0.66090

对于每个组，都有一个库存解决方案，它定义了我的初始质量。我想迭代所有组并从每个项目中减去初始质量。我想在没有明确写出类似df_grouped['sample'][7.5][50]的内容的情况下这样做。如果可能的话，我想避免任何嵌套循环。

有什么建议吗？

我只能想到像这样的解决方案：

for na, gr in df_label_gr:
    if 'stock' in na:
        print(na)

这给了我：

('sample', 7.5, 50.0, 'stock')
('sample', 7.5, 150.0, 'stock')
('sample', 8.5, 50.0, 'stock')
('sample', 8.5, 150.0, 'stock')

所以我可以以某种方式使用前三个条目来索引我的组并进行一些计算。

编辑：

为了不讨论讨论，我在这里再次提出一个小修改同样的问题：

不同之处在于，我想从每个组中减去不同的值，但是要对组进行特定的，

name    pH   salt  id   
sample  7.5  50    1        0.48705
                   2        0.42875
                   3        0.38885
                   4        0.34615
                   5        0.35060
                   6        0.29280
                   7        0.28210
                   8        0.24535
                   stock    0.66090
sample  8.5  50    1        0.48705
                   2        0.42875
                   3        0.38885
                   4        0.34615
                   5        0.35060
                   6        0.29280
                   7        0.28210
                   8        0.24535
                   stock    0.1

我尝试了以下内容：

df = a2_01.df.reset_index()
df.groupby(by = ['name','pH','salt','id']).aggregate(np.sum).apply(lambda x: x - x[x.index.get_level_values('id') == 'stock'].values[0])

问题是，x[x.index.get_level_values('id') == 'stock'].values给了我一个包含所有值的数组，而不是实际组的值。因此，我可以从数据框中的所有值中减去第一组（values[0]）中id == stock的样本。

我怎样才能从同一组中的样本中减去股票的价值？

Answer 1

您可以使用groupby，尤其是df_grouped.groupby(level=[0, 1, 2]).apply(fancy_func)，fancy_func采用子数据帧并返回值。

结果将是一系列值，由相同的级别索引。

Answer 2

我认为@filmor回答了你的问题。可能你误解了它。

我通过重复您提供的数据和修改过的索引来构建数据框。

In [117]: df
Out[117]: 
                          mass
name   pH  salt id            
sample 7.5 50   1      0.48705
                2      0.42875
                3      0.38885
                4      0.34615
                5      0.35060
                6      0.29280
                7      0.28210
                8      0.24535
                stock  0.66090
           150  1      0.48705
                2      0.42875
                3      0.38885
                4      0.34615
                5      0.35060
                6      0.29280
                7      0.28210
                8      0.24535
                stock  0.66090
       8.5 50   1      0.48705
                2      0.42875
                3      0.38885
                4      0.34615
                5      0.35060
                6      0.29280
                7      0.28210
                8      0.24535
                stock  0.66090
           150  1      0.48705
                2      0.42875
                3      0.38885
                4      0.34615
                5      0.35060
                6      0.29280
                7      0.28210
                8      0.24535
                stock  0.66090

[36 rows x 1 columns]

如果您确定每个组中stock总是最后一次（必要时排序），您可以执行以下操作。否则，df.groupby(level= [0,1,2]).apply(lambda g: g - g[g.index.get_level_values('id')=='stock'].values[0])应该有效。

In [118]: df.groupby(level= [0,1,2]).apply(lambda g: g - g.iloc[-1,0])
Out[118]: 
                          mass
name   pH  salt id            
sample 7.5 50   1     -0.17385
                2     -0.23215
                3     -0.27205
                4     -0.31475
                5     -0.31030
                6     -0.36810
                7     -0.37880
                8     -0.41555
                stock  0.00000
           150  1     -0.17385
                2     -0.23215
                3     -0.27205
                4     -0.31475
                5     -0.31030
                6     -0.36810
                7     -0.37880
                8     -0.41555
                stock  0.00000
       8.5 50   1     -0.17385
                2     -0.23215
                3     -0.27205
                4     -0.31475
                5     -0.31030
                6     -0.36810
                7     -0.37880
                8     -0.41555
                stock  0.00000
           150  1     -0.17385
                2     -0.23215
                3     -0.27205
                4     -0.31475
                5     -0.31030
                6     -0.36810
                7     -0.37880
                8     -0.41555
                stock  0.00000

[36 rows x 1 columns]

每组中的熊猫计算

2 个答案: