Question

我有一个很大的数据集，其中除其他外还有一个二进制变量：

Transactions['has_acc_id_and_cus_id'].value_counts()
1    1295130
0     823869
Name: has_acc_id_and_cus_id, dtype: int64

当我使用这个特定的二进制变量作为一个分组变量对这个数据集--Transactions进行分组时，我得到一个分组的数据集--df100--仅具有上述二进制变量的一个级别。

df100 = Transactions.groupby(['acc_reg_year', 'acc_reg_month', 'year', 'month',\
                              'has_acc_id_and_cus_id'])[['net_revenue']].agg(['sum', 'mean', 'count'])

df100['has_acc_id_and_cus_id'].value_counts()
1    1421
Name: has_acc_id_and_cus_id, dtype: int64

Answer 1

如果您真的只想在groupby上has_acc_id_and_cus_id，那么您想要的命令将是...

df100 = Transactions[['has_acc_id_and_cus_id', 'net_revenue']].groupby(['has_acc_id_and_cus_id']).agg(['sum', 'mean', 'count'])

这只是您要汇总的变量（has_acc_id_and_cus_id和您要汇总的变量（net_revenue）的子集...

Transactions[['has_acc_id_and_cus_id', 'net_revenue']]

...然后按has_acc_id_and_cus_id对这些分组...

Transactions[['has_acc_id_and_cus_id', 'net_revenue']].groupby('has_acc_id_and_cus_id')

......然后应用agg()函数以获取所需的统计信息。

您仅根据has_acc_id_and_cus_id进行汇总的既定目标而犯的错误就是，您要对其他四个变量进行分组（acc_reg_year，acc_reg_month，year和month）。

如果您确实希望在其他所有has_acc_id_and_cus_id内添加，则您的原始代码是正确的，但是一个或多个acc_reg_year中可能缺少值，acc_reg_month，year和month，当has_acc_id_and_cus_id == 0时，请检查您的数据...

Transactions[Transactions[`has_acc_id_and_cus_id`] == 0][[`acc_reg_year`, `acc_reg_month`, `year`, `month`]].head(100)

对groupby中熊猫的行为感到困惑

1 个答案: