这是我的pandas.DataFrame:
a b
0 1 5
1 1 7
2 2 3
3 1 3
4 2 5
5 2 6
6 1 4
7 1 3
8 2 7
9 2 4
10 2 5
我想创建一个新的DataFrame,它将包含按'a'分组的数据,并包含每个组最大3个值的总和。
这是我期望的输出。第1组的最大3个'b'值分别为7,5和4,第2组分别为7,6和5。
a
1 16
2 18
df.groupby('a')['b'].nlargest(3)
给我这个输出,
a
1 1 7
0 5
6 4
2 8 7
5 6
10 5
和
df.groupby('a')['b'].nlargest(3).sum()
给了我总和34(16 + 18)。
如何使用pandas.DataFrame获得预期的输出?
谢谢!
答案 0 :(得分:2)
使用apply
是一种方法。
In [41]: df.groupby('a')['b'].apply(lambda x: x.nlargest(3).sum())
Out[41]:
a
1 16
2 18
Name: b, dtype: int64
计时
In [42]: dff = pd.concat([df]*1000).reset_index(drop=True)
In [43]: dff.shape
Out[43]: (11000, 2)
In [44]: %timeit dff.groupby('a')['b'].apply(lambda x: x.nlargest(3).sum())
100 loops, best of 3: 2.44 ms per loop
In [45]: %timeit dff.groupby('a')['b'].nlargest(3).groupby(level='a').sum()
100 loops, best of 3: 3.44 ms per loop
答案 1 :(得分:0)
使用groupby
的{{1}}加倍a
:
MultiIndex
但对我来说更好:
s = df.groupby('a')['b'].nlargest(3).groupby(level='a').sum()
print (s)
a
1 16
2 18
Name: b, dtype: int64
编辑:如果再次需要热门df.groupby('a')['b'].nlargest(3).sum(level=0)
,请使用Series.nlargest
:
3
<强>计时强>:
df = pd.DataFrame({'a': [1, 1, 2, 3, 2, 2, 1, 3, 4, 3, 4],
'b': [5, 7, 3, 3, 5, 6, 4, 3, 7, 4, 5]})
print (df)
a b
0 1 5
1 1 7
2 2 3
3 3 3
4 2 5
5 2 6
6 1 4
7 3 3
8 4 7
9 3 4
10 4 5
df = df.groupby('a')['b'].nlargest(3).sum(level=0).nlargest(3)
print (df)
a
1 16
2 14
4 12
Name: b, dtype: int64
np.random.seed(123)
N = 1000000
L2 = np.arange(100)
df = pd.DataFrame({'b':np.random.randint(20, size=N),
'a': np.random.choice(L2, N)})
print (df)
In [22]: %timeit df.groupby('a')['b'].apply(lambda x: x.nlargest(3).sum())
10 loops, best of 3: 125 ms per loop
In [23]: %timeit df.groupby('a')['b'].nlargest(3).groupby(level='a').sum()
10 loops, best of 3: 121 ms per loop
In [29]: %timeit df.groupby('a')['b'].nlargest(3).sum(level=0)
10 loops, best of 3: 121 ms per loop
np.random.seed(123)
N = 1000000
L2 = list('abcdefghijklmno')
df = pd.DataFrame({'b':np.random.randint(20, size=N),
'a': np.random.choice(L2, N)})
print (df)
In [19]: %timeit df.groupby('a')['b'].apply(lambda x: x.nlargest(3).sum())
10 loops, best of 3: 97.9 ms per loop
In [20]: %timeit df.groupby('a')['b'].nlargest(3).groupby(level='a').sum()
10 loops, best of 3: 96.5 ms per loop
In [31]: %timeit df.groupby('a')['b'].nlargest(3).sum(level=0)
10 loops, best of 3: 97.9 ms per loop