具有 lambda 函数和多列的 Groupby答案

【问题标题】：Groupby with lambda function and multiple columns具有 lambda 函数和多列的 Groupby
【发布时间】：2019-10-22 05:16:34
【问题描述】：

我有一个包含房地产地块销售数据的数据框。我正在尝试按包裹号分组，然后为每个包裹号查看最近的销售和第二次最近的销售，以及这两个日期的相应销售价格。

df = 
parcel  date            amount
101469  5/29/2015 0:00  513000
101469  4/25/2017 0:00  570000
101470  1/6/1995 0:00   75000
101470  8/15/1995 0:00  385000
101470  12/31/2001 0:00 417500


df_grouped = df.groupby("parcel").agg({'date': lambda grp: [grp.nlargest(1).iloc[-1], grp.nlargest(2).iloc[-1]
]})

当前代码正确地按包裹对数据进行分组，并确定最近和第二最近的销售日期。但是，我无法为每个添加相应的销售价格。

这通常是我希望看到的预期结果。一个按每个包裹的行分组，显示最近的销售、第二最近的销售、最近的销售金额、第二最近的销售金额：

【问题讨论】：

请告诉我们您的预期结果。谢谢。
我知道某处有一个 dup
添加了预期结果

标签： python pandas group-by

【解决方案1】：

使用这些步骤：

使用sort_values、groupby 创建df1 并选择每组的前2 行
使用cumcount 将key 列添加到df1（将其转换为str）
set_index 和 unstack 到所需的输出
使用多索引map 将列美化为所需的列名

df1 = df.sort_values('date', ascending=False).groupby('parcel').head(2)
df1['key'] = df1.groupby(['parcel']).parcel.cumcount().add(1).astype(str)
df1 =  df1.set_index(['parcel', 'key']).unstack()
df1.columns = df1.columns.map('_'.join)

Out[1268]:
           date_1     date_2  amount_1  amount_2
parcel
101469 2017-04-25 2015-05-29    570000    513000
101470 2001-12-31 1995-08-15    417500    385000

【讨论】：

【解决方案2】：

解决了。原始解决方案在这里：Apply multiple functions to multiple groupby columns

def f(x):
        d = {}
        d['most_recent_sale'] = x["date"].nlargest(1).iloc[-1]
        d['second_most_recent_sale'] = x["date"].nlargest(2).iloc[-1]
        d['most_recent_price'] = x.loc[x["date"] == d["most_recent_sale"], "amt_Price"].values[0]
        d['second_most_recent_price'] = x.loc[x["date"] == d["second_most_recent_sale"], "amt_Price"].values[0]

        return pd.Series(d, index=['most_recent_sale', 'second_most_recent_sale', 'most_recent_price', 'second_most_recent_price'])

    df_grouped = df.groupby("id_Pid").apply(f)

【讨论】：