Question

我曾经和R一起工作并且非常喜欢dplyr软件包，您可以轻松地将其分组并进行总结。

但是，在pandas中，我没有看到相当于总结的内容，这就是我在Python中实现它的方式：

import pandas as pd
data = pd.DataFrame(
    {'col1':[1,1,1,1,1,2,2,2,2,2],
    'col2':[1,2,3,4,5,6,7,8,9,0],
     'col3':[-1,-2,-3,-4,-5,-6,-7,-8,-9,0]
    }
)
result = []
for k,v in data.groupby('col1'):
    result.append([k, max(v['col2']), min(v['col3'])])
print pd.DataFrame(result, columns=['col1', 'col2_agg', 'col3_agg'])

它不仅非常冗长，而且可能不是最优化和最有效的。（我曾经将for loop groupby实现重写为groupby.agg，性能提升很大。

在R中，代码将是

data %>% groupby(col1) %>% summarize(col2_agg=max(col2), col3_agg=min(col3))

在Python或for循环中是否存在有效的等价物是我必须使用的。

另外，@ yayhan真的给了我答案的解决方案，这是一个后续问题，我将在这里列出而不是评论：

等同于groupby().summarize(newcolumn=max(col2 * col3))

Answer 1

相当于

df %>% groupby(col1) %>% summarize(col2_agg=max(col2), col3_agg=min(col3))

是

df.groupby('col1').agg({'col2': 'max', 'col3': 'min'})

返回

      col2  col3
col1            
1        5    -5
2        9    -9

返回的对象是一个pandas.DataFrame，其索引名为col1，列名为col2和col3。默认情况下，对数据进行分组时，pandas会将分组列设置为有效访问和修改的索引。但是，如果您不希望这样，则有两种方法可以将col1设置为列。

通过as_index=False：

df.groupby('col1', as_index=False).agg({'col2': 'max', 'col3': 'min'})

致电reset_index：

df.groupby('col1').agg({'col2': 'max', 'col3': 'min'}).reset_index()

都屈服

col1  col2  col3           
   1     5    -5
   2     9    -9

您还可以将多个功能传递给groupby.agg。

agg_df = df.groupby('col1').agg({'col2': ['max', 'min', 'std'], 
                                 'col3': ['size', 'std', 'mean', 'max']})

这也返回一个DataFrame，但现在它有一个MultiIndex列。

     col2               col3                   
      max min       std size       std mean max
col1                                           
1       5   1  1.581139    5  1.581139   -3  -1
2       9   0  3.535534    5  3.535534   -6   0

MultiIndex非常便于选择和分组。以下是一些例子：

agg_df['col2']  # select the second column
      max  min       std
col1                    
1       5    1  1.581139
2       9    0  3.535534

agg_df[('col2', 'max')]  # select the maximum of the second column
Out: 
col1
1    5
2    9
Name: (col2, max), dtype: int64

agg_df.xs('max', axis=1, level=1)  # select the maximum of all columns
Out: 
      col2  col3
col1            
1        5    -1
2        9     0

早些时候（在version 0.20.0之前），可以使用词典重命名agg调用中的列。例如

df.groupby('col1')['col2'].agg({'max_col2': 'max'})

会将第二列的最大值返回为max_col2：

      max_col2
col1          
1            5
2            9

但是，它被弃用以支持重命名方法：

df.groupby('col1')['col2'].agg(['max']).rename(columns={'max': 'col2_max'})

      col2_max
col1          
1            5
2            9

对于像上面定义的agg_df这样的DataFrame，它可能会变得冗长。在这种情况下，您可以使用重命名功能展平这些级别：

agg_df.columns = ['_'.join(col) for col in agg_df.columns]

      col2_max  col2_min  col2_std  col3_size  col3_std  col3_mean  col3_max
col1                                                                        
1            5         1  1.581139          5  1.581139         -3        -1
2            9         0  3.535534          5  3.535534         -6         0

对于groupby().summarize(newcolumn=max(col2 * col3))之类的操作，您仍然可以首先使用assign添加新列来使用agg。

df.assign(new_col=df.eval('col2 * col3')).groupby('col1').agg('max') 

      col2  col3  new_col
col1                     
1        5    -1       -1
2        9     0        0

这将返回旧列和新列的最大值，但一如既往，您可以对其进行切片。

df.assign(new_col=df.eval('col2 * col3')).groupby('col1')['new_col'].agg('max')

col1
1   -1
2    0
Name: new_col, dtype: int64

groupby.apply这会更短：

df.groupby('col1').apply(lambda x: (x.col2 * x.col3).max())

col1
1   -1
2    0
dtype: int64

但是，groupby.apply将此视为自定义函数，因此不会向量化。到目前为止，我们传递给agg的函数（'min'，'max'，'min'，'size'等）是矢量化的，这些是这些优化函数的别名。您可以将df.groupby('col1').agg('min')替换为df.groupby('col1').agg(min)，df.groupby('col1').agg(np.min)或df.groupby('col1').min()，它们都将执行相同的功能。使用自定义函数时，您将看不到相同的效率。

最后，从版本0.20开始，agg可以直接在DataFrame上使用，而不必先进行分组。请参阅示例here。

Answer 2

检查Pandas文档给出的并排比较：http://pandas.pydata.org/pandas-docs/stable/comparison_with_r.html#grouping-and-summarizing

R's dplyr

gdf <- group_by(df, col1)
summarise(gdf, avg=mean(col1, na.rm=TRUE))

熊猫

gdf = df.groupby('col1')
df.groupby('col1').agg({'col1': 'mean'})

Answer 3

使用 datar 将您的 R 代码转换为 python 代码非常容易：

>>> from datar import f
>>> from datar.tibble import tibble
>>> from datar.dplyr import group_by, summarize
>>> from datar.base import min, max
>>> data = tibble(
...     col1=[1,1,1,1,1,2,2,2,2,2],
...     col2=[1,2,3,4,5,6,7,8,9,0],
...     col3=[-1,-2,-3,-4,-5,-6,-7,-8,-9,0]
... )
>>> data >> group_by(f.col1) >> summarize(col2_agg=max(f.col2), col3_agg=min(f.col3))
   col1  col2_agg  col3_agg
0     1         5        -5
1     2         9        -9

我是包的作者。如果您有任何问题，请随时提交问题。

dplyr总结了熊猫中的等价物

3 个答案: