Question

我有一些我已经装箱的数据，然后按箱分组，用.count计算每个箱子中的条目，并查询每箱的多个样本

import pandas as pd
import numpy as np

A = np.random.random(10000)
bins = np.arange(0, max(A), 0.03)

data_bins = pd.cut(A, bins = bins, precision = 100)

df = pd.DataFrame({"A": A,
                   "bin":  data_bins})\
    .sort_values(by = ["bin"])\
    .reset_index(drop = True)\
    .dropna()

print(df.head())

# For example, only take bins with more than 310 entries in each
valid_bins = df.groupby("bin")[["A"]].count().query("A > 310")

print(valid_bins)

现在我知道在我的大型数据集中使用valid_bins查找哪些容器。现在，我如何仅在原始df中找到这些箱子？

Answer 1

我认为Series需要transform与原始DataFrame的尺寸相同，因此可以按boolean indexing过滤：

df1 = df[df.groupby("bin")["A"].transform('count') > 310]

或者使用filtration的更慢的解决方案：

df1 = df.groupby("bin").filter(lambda x: x["A"].count() > 310)

print(df1.head())
            A           bin
674  0.080059  (0.06, 0.09]
675  0.074179  (0.06, 0.09]
676  0.062529  (0.06, 0.09]
677  0.087312  (0.06, 0.09]
678  0.070065  (0.06, 0.09]

熊猫如何按类别从聚合中定位？

1 个答案: