Question

我想使用groupby计算数字列的平均值，但保留所有列。这里有7列数据框的示例：

tracking_id gene_id gene_short_name tss_id  locus   FPKM-1  FPKM-2
ENSMUSG00000025902  ENSMUSG00000025902  Sox17   Tss1231 1:4490927-4496413   0.611985    232
ENSMUSG00000025902  ENSMUSG00000025902  Sox17   Ts412   1:4490927-4496413   12  21
ENSMUSG00000025902  ENSMUSG00000025902  Sox17   Ts56    1:4490927-4496413   2   213
ENSMUSG00000025902  ENSMUSG00000025902  Sox17   TS512   1:4490927-4496413   0.611985    5
ENSMUSG00000025902  ENSMUSG00000025902  Sox17   TS12241 1:4490927-4496413   0.611985    51
ENSMUSG00000096126  ENSMUSG00000096126  Gm22307 TS124   1:4529016-4529123   35  1
ENSMUSG00000096126  ENSMUSG00000096126  Gm22307 TS-1824 1:4529016-4529123   1   2
ENSMUSG00000096126  ENSMUSG00000096126  Gm22307 TS1249082   1:4529016-4529123   2   5
ENSMUSG00000088000  ENSMUSG00000088000  Gm25493 TS1290328   1:4723276-4723379   0   1
ENSMUSG00000098104  ENSMUSG00000098104  Gm6085  TS01239-1   1:4687933-4689403   0.0743559   6
ENSMUSG00000033845  ENSMUSG00000033845  Mrpl15  TSS31014,TSS82987,TSS82990,TSS86849 1:4773205-4785739   79.1154 7
ENSMUSG00000093015  ENSMUSG00000093015  Gm22463 TSS79849    1:5644644-5644745   0   1
ENSMUSG00000025905  ENSMUSG00000025905  Oprk1   TSS15316,TSS3878,TSS6226,TSS65522   1:5588492-5606131   0   6
ENSMUSG00000033774  ENSMUSG00000033774  Npbwr1  TSS69693    1:5913706-5917398   0   8
ENSMUSG00000033793  ENSMUSG00000033793  Atp6v1h TSS4651 1:5083172-5162549   24.2386 9
ENSMUSG00000087247  ENSMUSG00000087247  Fam150a TSS42747    1:6359330-6394731   0.502804    1

我想按前3列进行分组，并将第4列和第5列保留在输出中（最好是每个重复列1到3的第一行），然后计算结尾处数字列的平均值。我写了这个：

import pandas as pd
df = pd.read_table('grouping.txt')
grouped = df.groupby(list(df.columns[0:3]), sort=False).mean()

输出结果为：

tracking_id gene_id gene_short_name FPKM-1  FPKM-2
ENSMUSG00000025902  ENSMUSG00000025902  Sox17   3.167191    104.4
ENSMUSG00000096126  ENSMUSG00000096126  Gm22307 12.66666667 2.666666667
ENSMUSG00000088000  ENSMUSG00000088000  Gm25493 0   1
ENSMUSG00000098104  ENSMUSG00000098104  Gm6085  0.0743559   6
ENSMUSG00000033845  ENSMUSG00000033845  Mrpl15  79.1154 7
ENSMUSG00000093015  ENSMUSG00000093015  Gm22463 0   1
ENSMUSG00000025905  ENSMUSG00000025905  Oprk1   0   6
ENSMUSG00000033774  ENSMUSG00000033774  Npbwr1  0   8
ENSMUSG00000033793  ENSMUSG00000033793  Atp6v1h 24.2386 9
ENSMUSG00000087247  ENSMUSG00000087247  Fam150a 0.502804    1

以上是输出但缺少输入文件的第4列（TSS）和第5列（轨迹）。如何保留这两列（它们的值不同，因此不能成为groupby列的一部分。保留列的任何值对我来说都是正常的，只要其中一个分组在那里）。

Answer 1

您可以将groupby（）聚合的结果合并回原始DataFrame的重复数据删除版本。也许是这样的：

# identify the columns we want to aggregate by; this could
# equivalently be defined as list(df.columns[0:3])
group_cols = ['tracking_id', 'gene_id', 'gene_short_name']
# identify the columns which we want to average; this could
# equivalently be defined as list(df.columns[4:])
metric_cols = ['FPKM-1', 'FPKM-2']

# create a new DataFrame with a MultiIndex consisting of the group_cols
# and a column for the mean of each column in metric_cols
aggs = df.groupby(group_cols)[metric_cols].mean()
# remove the metric_cols from df because we are going to replace them
# with the means in aggs
df.drop(metric_cols, axis=1, inplace=True)
# dedupe to leave only one row with each combination of group_cols
# in df
df.drop_duplicates(subset=group_cols, keep='last', inplace=True)
# add the mean columns from aggs into df
df = df.merge(right=aggs, right_index=True, left_on=group_cols, how='right')

Answer 2

您可以使用aggregation, with a dict of functions申请每列。我正在使用lambda s和Pandas（数据帧）函数的字符串版本，这样Pandas就会自动选择mean()。

grouped = df.groupby(list(df.columns[0:3]), sort=False).agg(
    {'FPKM-1': 'mean', 'FPKM-2': 'mean',
     'tss_id': lambda x: x.iloc[0], 'locus': lambda x: x.iloc[0]})
print(grouped)

给出：

tracking_id        gene_id            gene_short_name                               tss_id     FPKM-1      FPKM-2              locus
ENSMUSG00000025902 ENSMUSG00000025902 Sox17                                        Tss1231   3.167191  104.400000  1:4490927-4496413
ENSMUSG00000096126 ENSMUSG00000096126 Gm22307                                        TS124  12.666667    2.666667  1:4529016-4529123
ENSMUSG00000088000 ENSMUSG00000088000 Gm25493                                    TS1290328   0.000000    1.000000  1:4723276-4723379
ENSMUSG00000098104 ENSMUSG00000098104 Gm6085                                     TS01239-1   0.074356    6.000000  1:4687933-4689403
ENSMUSG00000033845 ENSMUSG00000033845 Mrpl15           TSS31014,TSS82987,TSS82990,TSS86849  79.115400    7.000000  1:4773205-4785739
ENSMUSG00000093015 ENSMUSG00000093015 Gm22463                                     TSS79849   0.000000    1.000000  1:5644644-5644745
ENSMUSG00000025905 ENSMUSG00000025905 Oprk1              TSS15316,TSS3878,TSS6226,TSS65522   0.000000    6.000000  1:5588492-5606131
ENSMUSG00000033774 ENSMUSG00000033774 Npbwr1                                      TSS69693   0.000000    8.000000  1:5913706-5917398
ENSMUSG00000033793 ENSMUSG00000033793 Atp6v1h                                      TSS4651  24.238600    9.000000  1:5083172-5162549
ENSMUSG00000087247 ENSMUSG00000087247 Fam150a                                     TSS42747   0.502804    1.000000  1:6359330-6394731

groupby并计算平均值但保留所有列

2 个答案: