pandas groupby 应用函数，采用 N 列框架并返回对象

Question

是否有类似的“转换”方法将函数应用于组（一次所有列）并返回一个对象？我尝试的任何操作似乎都会在组中的每列返回一个对象。

例如考虑数据

               Maturity                Date      s  Term  Month
0   2012-02-01 00:00:00 2012-01-03 00:00:00  2.993    29      2
18  2012-03-01 00:00:00 2012-01-03 00:00:00  3.022    58      3
57  2012-04-01 00:00:00 2012-01-03 00:00:00  3.084    89      4
117 2012-05-01 00:00:00 2012-01-03 00:00:00  3.138   119      5
...

假设我在 Date 上做一个 groupby 并将一些函数应用于由 (Term, Month, s) 标记的组。结果应该是这样的

               Maturity                result
2012-02-01 00:00:00 2012-01-03         object
2012-03-01 00:00:00 2012-01-03         object
2012-04-01 00:00:00 2012-01-03         object
....

我显然可以遍历组并汇总结果，但我想我只是错过了一些关于如何使用其中一种转换方法的明显内容。

Answer 1

您可以应用该函数，然后手动聚合每个组。例如，假设聚合是平均值，函数是列的总和，您可以：

df.groupby("Date")['Term', 'Month', 's'].apply(lambda rows: np.mean(rows['Term'] + rows['Month'] + rows['s']))

因此，如果我们假设 fit 方法从具有“月”、“期限”和“s”列的数据框构建一些模型：

import pandas as pd
import numpy as np 

def fit (dataframe):
    return {  "param1": np.mean(dataframe["Term"]) + np.max(dataframe["month"]), "param2": np.std(dataframe["s"])} 

还有一个包含一堆日期的列的数据框：

df = pd.DataFrame({"date":  ["20140101", "20140202", "20140203"] * 4, "Term" : np.random.randint(100, size=12),"month": np.random.randint(12, size=12),"s": np.random.rand(12)*3})
print df

（输出：）

    Term      date  month         s
0     24  20140101      6  2.364798
1     43  20140202      9  0.066188
2     59  20140203      6  1.078052
3     40  20140101      3  1.982825
4     34  20140202      4  2.089518
5     20  20140203      1  2.412956
6     84  20140101      8  0.779843
7     62  20140202      9  0.918860
8     32  20140203     11  2.613289
9     16  20140101      9  0.788347
10    23  20140202      6  0.982986
11    27  20140203      1  0.658260

然后我们可以一次对每组行的所有列应用 fit()：

modelPerDate = df.groupby("date").apply(fit)
print modelPerDate

它产生一个模型数据框，每个日期一个：

date
20140101    {'param2': 0.70786647858131047, 'param1': 50.0}
20140202    {'param2': 0.71852297283637756, 'param1': 49.5}
20140203    {'param2': 0.83876295773013798, 'param1': 45.5}