根据pandas

Question

我有一个数据框：

import pandas as pd
import numpy as np

df = pd.DataFrame([['M',2014,'Seth',5],
         ['M',2014,'Spencer',5],
         ['M',2014,'Tyce',5],
         ['F',2014,'Seth',25],
         ['F',2014,'Spencer',23]],columns =['sex','year','name','number'])

print df

我想找到2014年最性别模糊的名字。我尝试了很多方法，但还没有运气。

Answer 1

不确定“大多数性别歧视”是什么意思，但你可以从这个开始

>>> dfy = (df.year == 2014)
>>> dfF = df[(df.sex == 'F') & dfy][['name', 'number']]
>>> dfM = df[(df.sex == 'M') & dfy][['name', 'number']]
>>> pd.merge(dfF, dfM, on=['name'])
      name  number_x  number_y
0     Seth        25         5
1  Spencer        23         5

如果您只想要总数最多的名称，那么：

>>> dfT = pd.merge(dfF, dfM, on=['name'])
>>> dfT
      name  number_x  number_y
0     Seth        25         5
1  Spencer        23         5
>>> dfT['total'] = dfT['number_x'] + dfT['number_y']
>>> dfT.sort_values('total', ascending=False).head(1)
   name  number_x  number_y  total
0  Seth        25         5     30

Answer 2

注意：我在答案结束时写了一个函数，但我决定逐个部分地运行代码以便更好地理解。

获取性别歧义名称

首先，您需要获取性别模糊名称列表。我建议使用set intersection：

>>> male_names = df[df.sex == "M"].name
>>> female_names = df[df.sex == "F"].name
>>> gender_ambiguous_names = list(set(male_names).intersection(set(female_names)))

现在，您希望实际对数据进行子集化，以便在2014年仅显示性别模糊名称。您可能希望使用成员资格条件并将布尔条件链接为一行：

>>> gender_ambiguous_data_2014 = df[(df.name.isin(gender_ambiguous_names)) & (df.year == 2014)]

汇总数据

现在你有gender_ambiguous_data_2014：

>>> gender_ambiguous_data_2014

  sex  year     name  number
0   M  2014     Seth       5
1   M  2014  Spencer       5
3   F  2014     Seth      25
4   F  2014  Spencer      23

然后你只需按数字聚合：

>>> gender_ambiguous_data_2014.groupby('name').number.sum()

name
Seth       30
Spencer    28
Name: number, dtype: int64

提取名称

现在，你想要的最后一件事是获得具有最高数字的名称。但实际上，您可能会有性别模糊的名称，这些名称具有相同的总数。我们应该将之前的结果应用于新变量gender_ambiguous_numbers_2014并使用它：

>>> gender_ambiguous_numbers_2014 = gender_ambiguous_data_2014.groupby('name').number.sum()
>>> # get the max and find the list of names:
>>> gender_ambiguous_max_2014 = gender_ambiguous_numbers_2014[gender_ambiguous_numbers_2014 == gender_ambiguous_numbers_2014.max()]

现在你明白了：

>>> gender_ambiguous_max_2014

name
Seth    30
Name: number, dtype: int64

很酷，让我们提取索引名称吧！

>>> gender_ambiguous_max_2014.index
Index([u'Seth'], dtype='object')

等等，这种类型到底是什么？ （提示：它是pandas.core.index.Index）

没问题，只需应用列表强制：

>>> list(gender_ambiguous_max_2014.index)
['Seth']

让我们在函数中写这个！

所以，在这种情况下，我们的列表只有元素。但也许我们想写一个函数，它为唯一的竞争者返回一个字符串，或者如果一些性别模糊的名字在那一年有相同的总数，则返回一个字符串列表。

在下面的包装函数中，我用ga缩写了我的变量名以缩短代码。当然，这是假设数据集与您显示的格式相同，并命名为df。如果它被命名，则只需相应地更改df。

def get_most_popular_gender_ambiguous_name(year):
    """Get the gender ambiguous name with the most numbers in a certain year.

    Returns:
        a string, or a list of strings

    Note:
        'gender_ambiguous' will be abbreviated as 'ga'
    """
    # get the gender ambiguous names
    male_names = df[df.sex == "M"].name
    female_names = df[df.sex == "F"].name
    ga_names = list(set(male_names).intersection(set(female_names)))
    # filter by year
    ga_data = df[(df.name.isin(ga_names)) & (df.year == year)]
    # aggregate to get total numbers
    ga_total_numbers = ga_data.groupby('name').number.sum()
    # find the max number
    ga_max_number = ga_total_numbers.max()
    # subset the Series to only those that have max numbers
    ga_max_data = ga_total_numbers[
        ga_total_numbers == ga_max_number
    ]
    # get the index (the names) for those satisfying the conditions
    most_popular_ga_names = list(ga_max_data.index)  # list coercion
    # if list only contains one element, return the only element
    if len(most_popular_ga_names) == 1:
        return most_popular_ga_names[0]
    return most_popular_ga_names

现在，调用此函数非常简单：

>>> get_most_popular_gender_ambiguous_name(2014)  # assuming df is dataframe var name
'Seth'