Pandas 按自定义功能分组

Question

这应该很简单。我想要的是能够按函数的结果进行分组，就像在 SQL 中您可以按表达式进行分组一样：

SELECT substr(name, 1) as letter, COUNT(*) as count
FROM table
GROUP BY substr(name, 1)

这将计算名称列以字母表中每个字母开头的行数。

我想在 python 中做同样的事情，所以我假设我可以将一个函数传递给 groupby。但是，这只会将索引列（第一列）传递给函数，例如 0、1 或 2。我想要的是名称列：

import pandas

# Return the first letter
def first_letter(row):

    # row is 0, then 1, then 2 etc.
    return row.name[0]

#Generate a data set of words
test = pandas.DataFrame({'name': ["benevolent", "hidden", "absurdity", "anonymous", "furious", "antidemocratic", "honeydew"]})

#              name
# 0      benevolent
# 1          hidden
# 2       absurdity
# 3       anonymous
# 4         furious
# 5  antidemocratic
# 6        honeydew

test.groupby(first_letter)

我在这里做错了什么。如何按行索引以外的内容进行分组？

Answer 1

为第一个字母创建一个新列：

def first_letter(row):
    return row[0]

test['first'] = test['name'].apply(first_letter)

并将其分组：

group = test.groupby('first')

使用它：

>>> group.count()

     name
first      
a         3
b         1
f         1
h         2

Answer 2

您通常希望在字符串列上使用矢量化的str 运算符。使用get(0) 提取第一个字母，然后在groupby 操作中使用。最后，我们对结果进行count。

这是working with text data 的 Pandas 文档的链接。

请注意，您可以将正则表达式模式用于extract 更复杂的表达式。

>>> test.groupby(test['name'].str.get(0))['name'].count()
name
a       3
b       1
f       1
h       2
Name: name, dtype: int64

更一般地说，您的函数应该返回数据框中的唯一项目，在这些项目上与其索引隐式分组。

例如，对数字进行四舍五入的函数可用于对四舍五入的数字进行分组。

df = pd.DataFrame({'A': [0.25, 0.75, 2.6, 2.7, 2.8]})

>>> np.round(df.A)
0    0
1    1
2    3
3    3
4    3
Name: A, dtype: float64

>>> df.groupby(np.round(df.A)).mean()
      A
A      
0  0.25
1  0.75
3  2.70

自定义函数应应用于一系列数据框，例如布尔运算符：

def ge_two(series):
    return series >= 2

>>> df.groupby(ge_two(df.A)).sum()
         A
A         
False  1.0
True   8.1