Question

我是Pandas / Numpy的新手，我在玩耍以查看一切工作原理。

我将这个数据集用于前1000个IMDb电影评分： https://github.com/justmarkham/pandas-videos/blob/master/data/imdb_1000.csv

我试图按流派分组，按电影数量（> 100）过滤，然后显示最小/最大/平均（整数）/中位数（整数）/计数。

到目前为止，我有：

df.groupby("genre")['duration'].aggregate(['min', max, np.mean, np.median, 'count']).sort_values('median', ascending=False)

这显示了所有流派和持续时间统计信息，但均值和中位数是浮点数，其中包括计数较低的那些。

我想以某种方式将其与以下内容结合起来：

df.groupby("genre")['duration'].filter(lambda x: x.count() > 100)

和

df.groupby("genre")['duration'].mean().astype(int)

这可能吗？

接下来，我将对所有图表进行绘制，但这是另一天的事情……

谢谢！

编辑1

为澄清起见，目前我得到：

genre       min max mean        median  count
Western     85  175 136.666667  135.0   9
Adventure   89  224 134.840000  127.0   75
Biography   85  202 131.844156  127.0   77
Action      80  205 126.485294  125.0   136
Drama       64  242 126.539568  123.0   278
Crime       67  229 122.298387  118.0   124
Thriller    107 120 114.200000  116.0   5
Mystery     69  160 115.625000  115.0   16
Sci-Fi      91  132 109.000000  113.0   5
Fantasy     112 112 112.000000  112.0   1
Family      100 115 107.500000  107.5   2
Comedy      68  187 107.602564  104.0   156
Horror      70  146 102.517241  104.0   29
Animation   75  134 96.596774   94.5    62
Film-Noir   88  111 97.333333   93.0    3
History     66  66  66.000000   66.0    1

但是我想要

genre       min max mean median count
Action      80  205 126  125    136
Drama       64  242 127  123    278
Crime       67  229 122  118    124
Comedy      68  187 108  104    156

Answer 1

是，您只需链接过滤器和groupby即可：

df.groupby('genre').filter(
    lambda x: len(x) > 100
).groupby('genre')['duration'].aggregate(
    ['min','max','mean','median','count']
).sort_values('median', ascending=False)

结果如下：

>>> df.groupby('genre').filter(lambda x: len(x) > 100).groupby('genre')['duration'].aggregate(['min','max','mean','median','count']).sort_values('median', ascending=False)
        min  max        mean  median  count
genre                                      
Action   80  205  126.485294     125    136
Drama    64  242  126.539568     123    278
Crime    67  229  122.298387     118    124
Comedy   68  187  107.602564     104    156

您也可以将其转换为整数：

>>> df.groupby('genre').filter(lambda x: len(x) > 100).groupby('genre')['duration'].aggregate(['min','max','mean','median','count']).sort_values('median', ascending=False).astype(int)
        min  max  mean  median  count
genre                                
Action   80  205   126     125    136
Drama    64  242   126     123    278
Crime    67  229   122     118    124
Comedy   68  187   107     104    156

Answer 2

由于数据集相对较小，因此运行计算并在此之后进行过滤不会造成损害。

file = 'https://raw.githubusercontent.com/justmarkham/pandas-videos/master/data/imdb_1000.csv'

data = (pd.read_csv(file)
          .groupby("genre")['duration']
          .agg(['min', 'max', 'mean', 'median', 'count'])
          .loc[lambda x:x['count']>100]
          .sort_values('median', ascending=False))

loc具有lambda函数，是一种无需创建中间变量即可更轻松地过滤列的方法。

熊猫/ numpy分组依据+总计（inc整数均值）+过滤器

2 个答案: