python pandas, DF.groupby().agg(), agg() 中的列引用

Question

在一个具体问题上，假设我有一个 DataFrame DF

     word  tag count
0    a     S    30
1    the   S    20
2    a     T    60
3    an    T    5
4    the   T    10 

我想为每个“单词”找到“计数”最多的“标签”。所以回报会是这样的

     word  tag count
1    the   S    20
2    a     T    60
3    an    T    5

我不关心计数列，也不关心订单/索引是原始的还是混乱的。返回字典 {'the' : 'S', ...} 就可以了。

我希望我能做到

DF.groupby(['word']).agg(lambda x: x['tag'][ x['count'].argmax() ] )

但它不起作用。我无法访问列信息。

更抽象地说，agg(function) 中的 function 将什么视为其参数？

顺便说一句，.agg() 和 .aggregate() 一样吗？

非常感谢。

Answer 1

agg 与aggregate 相同。它的可调用是传递DataFrame 的列（Series 对象），一次一个。

---

您可以使用idxmax 来收集最大行的索引标签 计数：

idx = df.groupby('word')['count'].idxmax()
print(idx)

产量

word
a       2
an      3
the     1
Name: count

然后使用loc 选择word 和tag 列中的那些行：

print(df.loc[idx, ['word', 'tag']])

产量

  word tag
2    a   T
3   an   T
1  the   S

注意idxmax 返回索引标签。 df.loc 可用于选择行 按标签。但是，如果索引不是唯一的——也就是说，如果存在具有重复索引标签的行——那么df.loc 将选择 所有行 与idx 中列出的标签。因此，如果您将idxmax 与df.loc 一起使用，请注意df.index.is_unique 是True

---

或者，您可以使用apply。 apply 的可调用对象传递了一个子数据帧，它使您可以访问所有列：

import pandas as pd
df = pd.DataFrame({'word':'a the a an the'.split(),
                   'tag': list('SSTTT'),
                   'count': [30, 20, 60, 5, 10]})

print(df.groupby('word').apply(lambda subf: subf['tag'][subf['count'].idxmax()]))

产量

word
a       T
an      T
the     S

---

使用idxmax 和loc 通常比apply 快，尤其是对于大型DataFrame。使用 IPython 的 %timeit：

N = 10000
df = pd.DataFrame({'word':'a the a an the'.split()*N,
                   'tag': list('SSTTT')*N,
                   'count': [30, 20, 60, 5, 10]*N})
def using_apply(df):
    return (df.groupby('word').apply(lambda subf: subf['tag'][subf['count'].idxmax()]))

def using_idxmax_loc(df):
    idx = df.groupby('word')['count'].idxmax()
    return df.loc[idx, ['word', 'tag']]

In [22]: %timeit using_apply(df)
100 loops, best of 3: 7.68 ms per loop

In [23]: %timeit using_idxmax_loc(df)
100 loops, best of 3: 5.43 ms per loop

---

如果你想要一个将单词映射到标签的字典，那么你可以使用set_index 和to_dict 像这样：

In [36]: df2 = df.loc[idx, ['word', 'tag']].set_index('word')

In [37]: df2
Out[37]: 
     tag
word    
a      T
an     T
the    S

In [38]: df2.to_dict()['tag']
Out[38]: {'a': 'T', 'an': 'T', 'the': 'S'}

Answer 2

这是一种简单的方法来确定正在传递的内容（unutbu）解决方案然后“应用”！

In [33]: def f(x):
....:     print type(x)
....:     print x
....:     

In [34]: df.groupby('word').apply(f)
<class 'pandas.core.frame.DataFrame'>
  word tag  count
0    a   S     30
2    a   T     60
<class 'pandas.core.frame.DataFrame'>
  word tag  count
0    a   S     30
2    a   T     60
<class 'pandas.core.frame.DataFrame'>
  word tag  count
3   an   T      5
<class 'pandas.core.frame.DataFrame'>
  word tag  count
1  the   S     20
4  the   T     10

你的函数只是在框架的一个子部分上运行（在这种情况下），分组变量都具有相同的值（在这个 cas 'word' 中），如果你正在传递一个函数，那么你必须处理聚合潜在的非字符串列；标准函数，比如 'sum' 为你做这个

自动不在字符串列上聚合

In [41]: df.groupby('word').sum()
Out[41]: 
      count
word       
a        90
an        5
the      30

您正在汇总所有列

In [42]: df.groupby('word').apply(lambda x: x.sum())
Out[42]: 
        word tag count
word                  
a         aa  ST    90
an        an   T     5
the   thethe  ST    30

你可以在函数中做几乎任何事情

In [43]: df.groupby('word').apply(lambda x: x['count'].sum())
Out[43]: 
word
a       90
an       5
the     30