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

对于一个具体的问题,说我有一个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 

我想找到,对于每个“字”,“标签”有最多的“计数”。所以返回将是类似的

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

我不在乎计数列,或者如果订单/索引是原始的或乱七八糟的。返回一个字典{‘the’:’S’,…}就好了。

我希望我能做到

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

但它不工作。无法访问列信息。

更抽象地,agg(函数)中的函数是什么参数?

btw,.agg()和.aggregate()相同?

非常感谢。

agg与聚合体相同。它的可调用传递DataFrame的列(Series对象),一次一个。

您可以使用idxmax收集具有最大值的行的索引标签
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在单词和标记列中选择这些行:

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,如果有行具有重复的索引标签 – 则df.loc将选择所有具有idx中列出的标签的行。所以要小心,如果你使用idxmax与df.loc df.index.is_unique是True

或者,你可以使用apply。 apply的callable被传递一个子DataFrame,它允许访问所有的列:

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,特别是对于大型DataFrames。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

如果你想要一个字典将单词映射到标签,那么你可以使用set_index
和to_dict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'}
http://stackoverflow.com/questions/15322632/python-pandas-df-groupby-agg-column-reference-in-agg

本站文章除注明转载外,均为本站原创或编译
转载请明显位置注明出处:python pandas,DF.groupby()。agg(),agge()中的列引用,