Pandas DataFrame 窗口函数

Question

我正在尝试像使用 SQL 窗口函数一样操作我的数据框。考虑以下样本集：

import pandas as pd

df = pd.DataFrame({'fruit' : ['apple', 'apple', 'apple', 'orange', 'orange', 'orange', 'grape', 'grape', 'grape'],
               'test' : [1, 2, 1, 1, 2, 1, 1, 2, 1],
               'analysis' : ['full', 'full', 'partial', 'full', 'full', 'partial', 'full', 'full', 'partial'],
               'first_pass' : [12.1, 7.1, 14.3, 19.1, 17.1, 23.4, 23.1, 17.2, 19.1],
               'second_pass' : [20.1, 12.0, 13.1, 20.1, 18.5, 22.7, 14.1, 17.1, 19.4],
               'units' : ['g', 'g', 'g', 'g', 'g', 'g', 'g', 'g', 'g'],
               'order' : [2, 1, 3, 2, 1, 3, 3, 2, 1]})

+--------+------+----------+------------+--------- ----+-------+-------+ |水果| 高分辨率照片| CLIPARTO测试 |分析 |第一通|第二通|订购 |单位 | +--------+------+----------+------------+--------- ----+-------+-------+ |苹果| 高分辨率照片| CLIPARTO 1 |满| 12.1 | 20.1 | 2 |克 | |苹果| 高分辨率照片| CLIPARTO 2 |满| 7.1 | 12.0 | 1 |克 | |苹果| 高分辨率照片| CLIPARTO 1 |部分 | 14.3 | 13.1 | 3 |克 | |橙色 | 1 |满| 19.1 | 20.1 | 2 |克 | |橙色 | 2 |满| 17.1 | 18.5 | 1 |克 | |橙色 | 1 |部分 | 23.4 | 22.7 | 3 |克 | |葡萄| 高分辨率照片| CLIPARTO 1 |满| 23.1 | 14.1 | 3 |克 | |葡萄| 高分辨率照片| CLIPARTO 2 |满| 17.2 | 17.1 | 2 |克 | |葡萄| 高分辨率照片| CLIPARTO 1 |部分 | 19.1 | 19.4 | 1 |克 | +--------+------+----------+------------+--------- ----+-------+-------+

我想添加几列：

• 一个布尔列，用于指示该测试和分析的 second_pass 值是否是所有水果类型中最高的。
• 另一列列出了每个测试和分析组合中哪些水果的 second_pass 值最高。

使用这个逻辑，我想得到下表：

+--------+------+----------+------------+--------- ----+-------+-------+---------+-------- --+ |水果| 高分辨率照片| CLIPARTO测试 |分析 |第一通|第二通|订购 |单位 |最高 |最高水果 | +--------+------+----------+------------+--------- ----+-------+-------+---------+-------- --+ |苹果| 高分辨率照片| CLIPARTO 1 |满| 12.1 | 20.1 | 2 |克 |真实 | [“苹果”，“橙色”] | |苹果| 高分辨率照片| CLIPARTO 2 |满| 7.1 | 12.0 | 1 |克 |假 | [“橙色”] | |苹果| 高分辨率照片| CLIPARTO 1 |部分 | 14.3 | 13.1 | 3 |克 |假 | [“橙色”] | |橙色 | 1 |满| 19.1 | 20.1 | 2 |克 |真实 | [“苹果”，“橙色”] | |橙色 | 2 |满| 17.1 | 18.5 | 1 |克 |真实 | [“橙色”] | |橙色 | 1 |部分 | 23.4 | 22.7 | 3 |克 |真实 | [“橙色”] | |葡萄| 高分辨率照片| CLIPARTO 1 |满| 23.1 | 22.1 | 3 |克 |假 | [“橙色”] | |葡萄| 高分辨率照片| CLIPARTO 2 |满| 17.2 | 17.1 | 2 |克 |假 | [“橙色”] | |葡萄| 高分辨率照片| CLIPARTO 1 |部分 | 19.1 | 19.4 | 1 |克 |假 | [“橙色”] | +--------+------+----------+------------+--------- ----+-------+-------+---------+------- --+

我是 pandas 的新手，所以我确定我错过了一些非常简单的东西。

Answer 1

您可以返回boolean 值，其中second_pass 等于group max，因为idxmax 只返回max 的第一次出现：

df['highest'] = df.groupby(['test', 'analysis'])['second_pass'].transform(lambda x: x == np.amax(x)).astype(bool)

然后使用np.where 捕获所有具有group max 的fruit 值，并将merge 的结果输入到您的DataFrame 中，如下所示：

highest_fruits = df.groupby(['test', 'analysis']).apply(lambda x: [f for f in np.where(x.second_pass == np.amax(x.second_pass), x.fruit.tolist(), '').tolist() if f!='']).reset_index()
df =df.merge(highest_fruits, on=['test', 'analysis'], how='left').rename(columns={0: 'highest_fruit'})

最后，为了您的跟进：

first_pass = df.groupby(['test', 'analysis']).apply(lambda x: {fruit: x.loc[x.fruit==fruit, 'first_pass'] for fruit in x.highest_fruit.iloc[0]}).reset_index()
df =df.merge(first_pass, on=['test', 'analysis'], how='left').rename(columns={0: 'first_pass_highest_fruit'})

得到：

  analysis  first_pass   fruit  order  second_pass  test units highest  \
0     full        12.1   apple      2         20.1     1     g    True   
1     full         7.1   apple      1         12.0     2     g   False   
2  partial        14.3   apple      3         13.1     1     g   False   
3     full        19.1  orange      2         20.1     1     g    True   
4     full        17.1  orange      1         18.5     2     g    True   
5  partial        23.4  orange      3         22.7     1     g    True   
6     full        23.1   grape      3         14.1     1     g   False   
7     full        17.2   grape      2         17.1     2     g   False   
8  partial        19.1   grape      1         19.4     1     g   False   

     highest_fruit             first_pass_highest_fruit  
0  [apple, orange]  {'orange': [19.1], 'apple': [12.1]}  
1         [orange]                   {'orange': [17.1]}  
2         [orange]                   {'orange': [23.4]}  
3  [apple, orange]  {'orange': [19.1], 'apple': [12.1]}  
4         [orange]                   {'orange': [17.1]}  
5         [orange]                   {'orange': [23.4]}  
6  [apple, orange]  {'orange': [19.1], 'apple': [12.1]}  
7         [orange]                   {'orange': [17.1]}  
8         [orange]                   {'orange': [23.4]} 

Answer 2

我假设你的意思是

'test' : [1, 2, 3, 1, 2, 3, 1, 2, 3]

要生成第一列，您可以按测试编号分组，并将第二次通过分数与最高分数进行比较：

df['highest'] = df['second_pass'] == df.groupby('test')['second_pass'].transform('max')

对于第二部分，我没有一个干净的解决方案，但这里有点丑陋，首先将索引设置为水果：

df = df.set_index('fruit')

接下来，查找每个测试的“最高”设置为 True 的行，并返回这些行所具有的索引列表（即水果的名称）：

test1_max_fruits = df[df['test']==1&df['highest']].index.values.tolist()
test2_max_fruits = df[df['test']==2&df['highest']].index.values.tolist()
test3_max_fruits = df[df['test']==3&df['highest']].index.values.tolist()

定义一个函数来查看测试编号，然后返回我们刚刚生成的对应的 max_fruits：

def max_fruits(test_num):

    if test_num == 1:
    return test1_max_fruits

    if test_num == 2:
    return test2_max_fruits

    if test_num == 3:
    return test3_max_fruits

创建一个列并将此函数应用于您的“测试”列：

df['highest_fruits'] = df['test'].apply(max_fruits)