在熊猫数据框中为每个组插入缺失的类别答案

【问题标题】：insert missing category for each group in pandas dataframe在熊猫数据框中为每个组插入缺失的类别
【发布时间】：2018-04-17 11:55:16
【问题描述】：

我需要为每个组插入缺失的类别，这里是一个例子：

import pandas as pd
import numpy as np

df = pd.DataFrame({ "group":[1,1,1 ,2,2],
                   "cat": ['a', 'b', 'c', 'a', 'c'] ,
                   "value": range(5),
                   "value2": np.array(range(5))* 2})

df

# test dataframe

cat group   value value2
a   1         0   0
b   1         1    2
c   1         2    4
a   2         3    6
c   2         4    8

说我有一些categories = ['a', 'b', 'c', 'd']。如果cat 列不包含列表中的类别，我想插入一行，每个组的值为0。如果类别，如何在每组中插入一行，从而获取每个组的所有类别

cat group   value  value2
a   1         0    0
b   1         1    2
c   1         2    4
d   1         0    0
a   2         3    6
c   2         4    8
b   2         0    0
d   2         0    0

【问题讨论】：

可能重复：link
请检查我的回答中的时间安排，groupby 这里真的没有必要。
mux = pd.MultiIndex.from_product([df['group'].unique(), df['group1'].unique(), categories], names=('group','group1','cat')) 然后df.set_index(['group','group1','cat']).reindex(mux, fill_value=0) 呢？

标签： python pandas data-manipulation

【解决方案1】：

groupby这里不需要，只需要reindex by MultiIndex:

categories = ['a', 'b', 'c', 'd']
mux = pd.MultiIndex.from_product([df['group'].unique(), categories], names=('group','cat'))
df = df.set_index(['group','cat']).reindex(mux, fill_value=0).swaplevel(0,1).reset_index()
print (df)
  cat  group  value  value2
0   a      1      0       0
1   b      1      1       2
2   c      1      2       4
3   d      1      0       0
4   a      2      3       6
5   b      2      0       0
6   c      2      4       8
7   d      2      0       0

解决方法很多，所以我添加timings：

np.random.seed(123)
N = 1000000
L = list('abcd') #235,94.1,156ms

df = pd.DataFrame({'cat': np.random.choice(L, N, p=(0.002,0.002,0.005, 0.991)),
                   'group':np.random.randint(10000,size=N),
                   'value':np.random.randint(1000,size=N),
                   'value2':np.random.randint(5000,size=N)})
df = df.sort_values(['group','cat']).drop_duplicates(['group','cat']).reset_index(drop=True)
print (df.head(10))

categories = ['a', 'b', 'c', 'd']

def jez(df):

    mux = pd.MultiIndex.from_product([df['group'].unique(), categories], names=('group','cat'))
    return df.set_index(['group','cat']).reindex(mux, fill_value=0).swaplevel(0,1).reset_index()

def f(x):
    return x.reindex(categories, fill_value=0).assign(group=x['group'][0].item())

def coldspeed(df):
    return df.set_index('cat').groupby('group', group_keys=False).apply(f).reset_index()

def zero(df):
    from itertools import product
    dfo = pd.DataFrame(list(product(df['group'].unique(), categories)),
                            columns=['group', 'cat'])
    return dfo.merge(df, how='left').fillna(0)

def wen(df):
    return df.groupby('group',as_index=False).apply(lambda x : x.set_index('cat').reindex(categories)).fillna(0).reset_index().drop('level_0',1)

def bharath(df):
    mux = pd.MultiIndex.from_product([df['group'].unique(), categories], names=('group','cat'))
    return mux.to_frame().merge(df,on=['cat','group'],how='outer').fillna(0)

def akilat90(df):
    grouped = df.groupby('group')
    categories =  pd.DataFrame(['a', 'b', 'c', 'd'], columns=['cat'])
    merged_list = []
    for g in grouped:
        merged = pd.merge(categories, g[1], how = 'outer', on='cat')
        merged['group'].fillna(merged['group'].mode()[0],inplace=True) # replace the `group` column's `NA`s by mode
        merged.fillna(0, inplace=True)
        merged_list.append(merged)

    return pd.concat(merged_list)


print (jez(df))
print (coldspeed(df))
print (zero(df))
print (wen(df))
print (bharath(df))
print (akilat90(df))

In [262]: %timeit (jez(df))
100 loops, best of 3: 11.5 ms per loop

In [263]: %timeit (bharath(df))
100 loops, best of 3: 16 ms per loop

In [264]: %timeit (zero(df))
10 loops, best of 3: 28.3 ms per loop

In [265]: %timeit (wen(df))
1 loop, best of 3: 8.74 s per loop

In [266]: %timeit (coldspeed(df))
1 loop, best of 3: 8.2 s per loop

In [297]: %timeit (akilat90(df))
1 loop, best of 3: 23.6 s per loop

【讨论】：

【解决方案2】：

有点复杂，不过可以用groupby+reindex：

categories = ['a', 'b', 'c', 'd']

def f(x):
    return x.reindex(categories, fill_value=0)\
                   .assign(group=x['group'][0].item())

df.set_index('cat').groupby('group', group_keys=False).apply(f).reset_index()


  cat  group  value  value2
0   a      1      0       0
1   b      1      1       2
2   c      1      2       4
3   d      1      0       0
4   a      2      3       6
5   b      2      0       0
6   c      2      4       8
7   d      2      0       0

【讨论】：

【解决方案3】：

这是一条线解决方案...

df.groupby('group',as_index=False).apply(lambda x : x.set_index('cat').\
       reindex(categories)).fillna(0).reset_index().drop('level_0',1)
Out[601]: 
  cat  group  value  value2
0   a    1.0    0.0     0.0
1   b    1.0    1.0     2.0
2   c    1.0    2.0     4.0
3   d    0.0    0.0     0.0
4   a    2.0    3.0     6.0
5   b    0.0    0.0     0.0
6   c    2.0    4.0     8.0
7   d    0.0    0.0     0.0

【讨论】：

本方案中group填0，组号为预期

【解决方案4】：

我们还可以使用@jezreal 建议的多索引，然后合并数据，这是一个非常快速的解决方案，即

mux = pd.MultiIndex.from_product([df['group'].unique(), categories], names=('group','cat'))
ndf = mux.to_frame().merge(df,on=['cat','group'],how='outer').fillna(0)

输出：

猫组值 value2 0 一 1 0.0 0.0 1 b 1 1.0 2.0 2 c 1 2.0 4.0 3 天 1 0.0 0.0 4 一个 2 3.0 6.0 5 b 2 0.0 0.0 6 c 2 4.0 8.0 7 天 2 0.0 0.0

【讨论】：

【解决方案5】：

在 cat, group 的预计算组合上使用 merge

In [35]: from itertools import product

In [36]: cats = ['a', 'b', 'c', 'd']

In [37]: dfo = pd.DataFrame(list(product(df['group'].unique(), cats)),
                            columns=['group', 'cat'])

In [38]: dfo.merge(df, how='left').fillna(0)
Out[38]:
   group cat  value  value2
0      1   a    0.0     0.0
1      1   b    1.0     2.0
2      1   c    2.0     4.0
3      1   d    0.0     0.0
4      2   a    3.0     6.0
5      2   b    0.0     0.0
6      2   c    4.0     8.0
7      2   d    0.0     0.0

【讨论】：

【解决方案6】：

这不是一种优雅的方式；我希望我知道一种在组级别合并的方法，以便可以消除 for 循环。 That discussion is here

解决方案

将categories 列表视为数据框，并在分组依据之后在组级别进行合并。

categories =  pd.DataFrame(['a', 'b', 'c', 'd'], columns=['cat'])
print(categories)

grouped = df.groupby('group')

这是丑陋的部分。我想知道是否有一种熊猫方法可以消除这个 for 循环：

merged_list = []
for g in grouped:
    merged = pd.merge(categories, g[1], how = 'outer', on='cat')
    merged['group'].fillna(merged['group'].mode()[0],inplace=True) # replace the `group` column's `NA`s by mode
    merged.fillna(0, inplace=True)
    merged_list.append(merged)
    print(merged)

  cat  group  value  value2
0   a    1.0    0.0     0.0
1   b    1.0    1.0     2.0
2   c    1.0    2.0     4.0
3   d    1.0    0.0     0.0
  cat  group  value  value2
0   a    2.0    3.0     6.0
1   b    2.0    0.0     0.0
2   c    2.0    4.0     8.0
3   d    2.0    0.0     0.0

然后我们可以连接merged_list

out = pd.concat(merged_list)
print(out)


  cat  group  value  value2
0   a    1.0    0.0     0.0
1   b    1.0    1.0     2.0
2   c    1.0    2.0     4.0
3   d    1.0    0.0     0.0
0   a    2.0    3.0     6.0
1   b    2.0    0.0     0.0
2   c    2.0    4.0     8.0
3   d    2.0    0.0     0.0

【讨论】：

不幸的是，我无法将您的解决方案添加到我的时间安排中，因为我收到错误:(
@akilat90 - 我明白了，我忘记将categories 转换为DataFrame。您的解决方案已添加到计时中。
谢谢@jezrael。 for 循环 + groupby 合并很糟糕:(
恐怕是真的:(
抱歉，我上次的评论不清楚。请参阅我的answer to your question here 了解如何修改此代码，您可以在一行中完成。