用于安排数据框的聚合函数答案

【问题标题】：Aggregate function for arranging a dataframe用于安排数据框的聚合函数
【发布时间】：2017-10-17 01:47:06
【问题描述】：

我有以下数据框，

>>> data = pd.DataFrame({'Name': ['CTA15', 'CTA15', 'AC007', 'AC007', 'AC007'], 
'ID': [22, 22, 2, 2, 2], 
'Sample':['PE12', 'PL14', 'AE29', 'AE04', 'PE03'], 
'count_col' : [2, 2, 3, 3, 3]})

>>> data
   ID   Name Sample  count_col
0  22  CTA15   PE12          2
1  22  CTA15   PL14          2
2   2  AC007   AE29          3
3   2  AC007   AE04          3
4   2  AC007   PE03          3

我需要重新排列我的数据框如下，

 Name       Sample      count_col
    CTA15       PE12          2
                PL14        
    AC007       AE10          3
                AE29    
                PE03

我尝试的是，

pd.pivot_table(All_variants_REL,index=["Name",'Sample'],
               values=['Count'],aggfunc={'Name':np.size})

但它没有在计数列中显示准确的计数任何帮助都会很棒..

【问题讨论】：

标签： python pandas group-by aggregate

【解决方案1】：

看来你需要mask + astype by duplicated 创建的布尔掩码：

注意：我将强制转换添加到 str，因为否则会在列 count（带整数的字符串）中得到混合值，并且可能会破坏一些 pandas 函数。

注意 1 - 如果 Name 列中的值已排序，则解决方案有效。

cols = ['Name','count']
df[cols] = df[cols].astype(str).mask(df.duplicated(['Name']), '')
print (df)
    Name  ID Sample count
0  CTA15  22   PE12     2
1         22   PL14      
2  AC007   2   AE29     3
3          2   AE04      
4          2   PE03

如果需要NaNs，只需省略, - 但最后一列的值将转换为float（因为NaN 是浮点数）

cols = ['Name','count']
df[cols] = df[cols].mask(df.duplicated(['Name']))
print (df)
    Name  ID Sample  count
0  CTA15  22   PE12    2.0
1    NaN  22   PL14    NaN
2  AC007   2   AE29    3.0
3    NaN   2   AE04    NaN
4    NaN   2   PE03    NaN

lists 可以使用：

cols = ['Name','count', 'ID']
df = df.groupby(cols)['Sample'].apply(list).reset_index()
print (df)
    Name  count  ID              Sample
0  AC007      3   2  [AE29, AE04, PE03]
1  CTA15      2  22        [PE12, PL14]

【讨论】：

感谢您的解决方案如果我在数据框中有更多列。我还需要显示这些列吗？
嗯，这取决于你需要什么。如果数据在列中重复，显然不是问题。另一种可能的解决方案是在 Sample 列中创建包含数据的列表，但是使用一些 pandas 函数会更难。

【解决方案2】：

为什么不简单地设置一个多索引？如果您的列比示例 DataFrame 中的多得多，那么这样做将转化为显示所有列。

>>> data = pd.DataFrame({'Name': ['CTA15', 'CTA15', 'AC007', 'AC007', 'AC007'], 
'ID': [22, 22, 2, 2, 2], 
'Sample':['PE12', 'PL14', 'AE29', 'AE04', 'PE03'], 
'count_col' : [2, 2, 3, 3, 3]})

（旁注：我不建议使用名称为 count 的列，因为它是 DataFrame 方法，并且会导致问题。例如，data.count 不会返回 Series正如我们所料。）

>>> data
   ID   Name Sample  count_col
0  22  CTA15   PE12          2
1  22  CTA15   PL14          2
2   2  AC007   AE29          3
3   2  AC007   AE04          3
4   2  AC007   PE03          3

设置多索引，这将作为任意大DataFrame的解决方案。

>>> data.set_index(['Name', 'Sample'])
              ID  count_col
Name  Sample               
CTA15 PE12    22          2
      PL14    22          2
AC007 AE29     2          3
      AE04     2          3
      PE03     2          3

【讨论】：