我在对数据集应用某些过滤器时遇到问题,不知道该怎么做。我有一个由 7 列组成的数据框。一列,participant_id
标识参与者(每个参与者唯一的数值),第二列指示每个参与者属于哪个组 (group
),第三列称为 trial
标识试验(每个参与者执行一项任务的多次试验)和四列var 1
、var 2
、var 3
、var 4
(对应于记录的四个变量的数值)每次试验)。有参与者进行了 100 多次试验,参与者进行了大约 50 次试验。
简短示例:
participant_id group trial var1 var2 var3 var4
189 A 1 -0.231046 0.245615 -0.581238 -0.593562
189 A 2 -0.231046 0.245615 -0.581238 -0.593562
189 A 3 -0.231046 0.245615 -0.581238 -0.593562
189 A 4 -0.231046 0.245615 -0.581238 -0.593562
345 B 1 NaN 0.245615 -0.581238 -0.593562
345 B 378 -0.231046 0.245615 -0.581238 -0.593562
227 A 1 -0.231046 0.245615 -0.581238 -0.593562
227 A 1 -0.231046 0.245615 -0.581238 -0.593562
227 A 2 -0.231046 0.245615 -0.581238 -0.593562
432 B 517 -0.231046 0.245615 NaN -0.593562
432 B 2 -0.231046 0.245615 NaN -0.593562
432 B 333 -0.231046 0.245615 -0.581238 -0.593562
4 名参与者的示例。请注意,试用编号不是唯一的,因为两个不同的参与者可以有一个试用“1”,同一个参与者也可以有多个试用“1”。 (不要介意每行的 var 列的值都相同,在实际数据集中并非如此)。真实数据集是 10000 行。
我需要做的是根据每个唯一参与者的值保留前 n 个分位数试验
var1
。我正在考虑使用 pandas .quantile(n) 函数,但我不知道如何告诉它应该单独分析每个参与者,而不是整行来获取分位数。
感谢任何帮助。
答案 0 :(得分:0)
apply()
在一个组上传递每个组的 Dataframelambda
以及独立函数的示例df = pd.read_csv(io.StringIO(""" participant_id group trial var1 var2 var3 var4
189 A 1 -0.231046 0.245615 -0.581238 -0.593562
189 A 2 -0.231046 0.245615 -0.581238 -0.593562
189 A 3 -0.231046 0.245615 -0.581238 -0.593562
189 A 4 -0.231046 0.245615 -0.581238 -0.593562
345 B 1 NaN 0.245615 -0.581238 -0.593562
345 B 378 -0.231046 0.245615 -0.581238 -0.593562
227 A 1 -0.231046 0.245615 -0.581238 -0.593562
227 A 1 -0.231046 0.245615 -0.581238 -0.593562
227 A 2 -0.231046 0.245615 -0.581238 -0.593562
432 B 517 -0.231046 0.245615 NaN -0.593562
432 B 2 -0.231046 0.245615 NaN -0.593562
432 B 333 -0.231046 0.245615 -0.581238 -0.593562
"""), sep="\s+")
def f(d):
return d.quantile()
df.groupby("participant_id", as_index=False).apply(f)
df.groupby("participant_id", as_index=False).apply(lambda d: d.quantile())
# generate a useful dataset to analyse...
s = 100
df = pd.DataFrame({"participant_id":np.random.choice([189,227,345,432],s),
"trial":np.random.randint(1,6,s),
"group":np.random.choice(["A","B"],s),
"var1":np.random.rand(s),
"var2":np.random.rand(s),
"var3":np.random.rand(s),
"var4":np.random.rand(s),
})
# split into 10 quantile bins and take 0th bin
# split into 10 quantile bins and take 0th bin
df.groupby("participant_id").apply(
lambda d: d.loc[pd.qcut(d.var1, q=10, retbins=False, labels=False).le(0)]).droplevel(0)
participant_id | 试用 | 组 | var1 | var2 | var3 | var4 | |
---|---|---|---|---|---|---|---|
13 | 189 | 3 | A | 0.0273875 | 0.87134 | 0.555792 | 0.67094 |
85 | 189 | 1 | A | 0.0106758 | 0.352578 | 0.481009 | 0.910989 |
91 | 189 | 4 | A | 0.00835706 | 0.644102 | 0.990459 | 0.816669 |
4 | 227 | 5 | B | 0.10132 | 0.870446 | 0.389972 | 0.313782 |
71 | 227 | 4 | B | 0.0221867 | 0.17566 | 0.659024 | 0.910838 |
74 | 227 | 1 | A | 0.0762526 | 0.458995 | 0.492384 | 0.556408 |
28 | 345 | 5 | A | 0.130674 | 0.0336628 | 0.0429884 | 0.799307 |
82 | 345 | 1 | B | 0.234522 | 0.371108 | 0.451911 | 0.54528 |
93 | 345 | 4 | B | 0.272915 | 0.594262 | 0.392285 | 0.56374 |
16 | 432 | 2 | B | 0.0403964 | 0.880132 | 0.45438 | 0.0466626 |
18 | 432 | 5 | A | 0.0884496 | 0.304541 | 0.969059 | 0.949315 |
22 | 432 | 2 | B | 0.115796 | 0.0371306 | 0.631284 | 0.537881 |
55 | 432 | 2 | B | 0.102859 | 0.0416843 | 0.761466 | 0.56438 |