尝试修改pandas groupby的列值时出现“ValueError：值的长度与索引的长度不匹配”答案

【问题标题】："ValueError: Length of values does not match length of index" when trying to modify column values a pandas groupby尝试修改pandas groupby的列值时出现“ValueError：值的长度与索引的长度不匹配”
【发布时间】：2018-03-08 21:18:03
【问题描述】：

我有一个数据框：

       A         C         D
0    one  0.410599 -0.205158
1    one  0.144044  0.313068
2    one  0.333674 -0.742165
3  three  0.761038 -2.552990
4  three  1.494079  2.269755
5    two  1.454274 -0.854096
6    two  0.121675  0.653619
7    two  0.443863  0.864436

假设A 是锚列。我现在想在顶部显示每个组值一次：

        A         C         D
0    one  0.410599 -0.205158
1         0.144044  0.313068
2         0.333674 -0.742165
3  three  0.761038 -2.552990
4         1.494079  2.269755
5    two  1.454274 -0.854096
6         0.121675  0.653619
7         0.443863  0.864436

这是我想出的：

df['A'] = df.groupby('A', as_index=False)['A']\
        .apply(lambda x: x.str.replace('.*', '').set_value(0, x.values[0])).values

我的策略是进行 groupby，然后将所有值设置为除第一个以外的空字符串。这似乎不起作用，因为我得到：

ValueError: Length of values does not match length of index

这意味着我得到的输出不正确。欢迎任何想法/建议/改进。

我应该补充一点，我正在尝试概括一个解决方案，该解决方案可以在每个组的顶部或底部或中间挑选出值，所以我会更倾向于帮助我做到这一点的解决方案（为了理解，上面的示例显示了如何仅在每个组的顶部挑选出值，但是，我想概括一个解决方案，允许我在底部或中间挑选出它们）。

【问题讨论】：

其实这里数据是排序的，直接用df.loc[df.A == df.A.shift(), 'A'] = ''?
@Zero 您可以假设它是针对这种情况进行排序的。但是，我正在尝试概括一种解决方案，该解决方案可以在每个组的顶部或底部或中间挑选出一个值。对于这个问题，我刚刚问过如何在每个组的顶部单独列出它。如果我自己无法弄清楚，我会就此提出一个单独的问题。
当你有偶数元素时你会如何处理middle的情况？
@Zero 任何一方都可以——只要它在中间或接近中间。
@Zero 没问题。我可以接受不同的方法。我想知道它是否可以，因为例如，在我的代码中，可以调整 .set_value(0, x.values[0]) 索引，以便可以将 0 更改为任何内容 - 例如 len(x) // 2 或类似的东西。

标签： python pandas dataframe group-by pandas-groupby

【解决方案1】：

由于值已排序，因此对第一个和最后一个情况使用duplicated 方法。

保持第一

In [4233]: df.loc[df.A.duplicated(keep='first'), 'A'] = ''

In [4234]: df
Out[4234]:
       A         C         D
0    one  0.410599 -0.205158
1         0.144044  0.313068
2         0.333674 -0.742165
3  three  0.761038 -2.552990
4         1.494079  2.269755
5    two  1.454274 -0.854096
6         0.121675  0.653619
7         0.443863  0.864436

保持最后

In [4236]: df.loc[df.A.duplicated(keep='last'), 'A'] = ''

In [4237]: df
Out[4237]:
       A         C         D
0         0.410599 -0.205158
1         0.144044  0.313068
2    one  0.333674 -0.742165
3         0.761038 -2.552990
4  three  1.494079  2.269755
5         1.454274 -0.854096
6         0.121675  0.653619
7    two  0.443863  0.864436

【讨论】：

【解决方案2】：

由于索引错误，您的方法不起作用。当您按“A”分组时，索引在分组数据中的表示方式也相同。由于set_value(0) 找不到正确的索引，它使用该索引创建一个新对象。这就是长度不匹配的原因。

修复 1
reset_index(drop=True)

df['A'] = df.groupby('A')['A'].apply(lambda x: x.str.replace('.*', '')\
                      .reset_index(drop=True).set_value(0, x.values[0])).values
df

      A         C         D
0    one  0.410599 -0.205158
1         0.144044  0.313068
2         0.333674 -0.742165
3  three  0.761038 -2.552990
4         1.494079  2.269755
5    two  1.454274 -0.854096
6         0.121675  0.653619
7         0.443863  0.864436

修复 2
set_value

set_value 有一个名为takeable 的第三个参数，它决定了如何处理索引。默认情况下它是False，但将其设置为True 对我的情况有效。

除了Zero's solutions之外，在其组的中心隔离值的解决方案如下：

df.A = df.groupby('A'['A'].apply(lambda x: x.str.replace('.*', '')\
                           .set_value(len(x) // 2, x.values[0], True)).values 

df

       A         C         D
0         0.410599 -0.205158
1    one  0.144044  0.313068
2         0.333674 -0.742165
3         0.761038 -2.552990
4  three  1.494079  2.269755
5         1.454274 -0.854096
6    two  0.121675  0.653619
7         0.443863  0.864436

【讨论】：