333

ドキュメントは、出力列名をキーとして持つdictを使用して、groupbyオブジェクトに一度に複数の関数を適用する方法を示しています。

In [563]: grouped['D'].agg({'result1' : np.sum,
   .....:                   'result2' : np.mean})
   .....:
Out[563]: 
      result2   result1
A                      
bar -0.579846 -1.739537
foo -0.280588 -1.402938

ただし、これはSeriesgroupbyオブジェクトでのみ機能します。また、dictが同様にgroupby DataFrameに渡される場合、キーは関数が適用される列名であると想定されます。

私がやりたいのは、複数の関数を複数の列に適用することです（ただし、特定の列は複数回操作されます）。また、一部の関数は、groupbyオブジェクトの他の列に依存します（sumif関数など）。私の現在の解決策は、列ごとに移動し、他の行に依存する関数にラムダを使用して、上記のコードのようなことを行うことです。しかし、これには長い時間がかかります（groupbyオブジェクトを反復処理するのに長い時間がかかると思います）。1回の実行でgroupbyオブジェクト全体を反復処理するように変更する必要がありますが、これをいくらかきれいに行うための組み込みの方法がパンダにあるのではないかと思います。

たとえば、私は次のようなものを試しました

grouped.agg({'C_sum' : lambda x: x['C'].sum(),
             'C_std': lambda x: x['C'].std(),
             'D_sum' : lambda x: x['D'].sum()},
             'D_sumifC3': lambda x: x['D'][x['C'] == 3].sum(), ...)

しかし、予想どおり、KeyErrorが発生します（DataFrameから呼び出された場合、キーは列である必要aggがあるため）。

私がやりたいことを実行するための組み込みの方法はありますか、またはこの機能が追加される可能性はありますか、それとも手動でグループ化を繰り返す必要がありますか？

4

7 に答える 7

470

現在受け入れられている回答の後半は古く、2つの非推奨があります。aggまず、最も重要なことは、辞書の辞書をgroupbyメソッドに渡すことができなくなったことです。第二に、決して使用しないで.ixください。

2つの別々の列を同時に操作したい場合はapply、適用された関数にDataFrameを暗黙的に渡すメソッドを使用することをお勧めします。上からのものと同様のデータフレームを使用してみましょう

df = pd.DataFrame(np.random.rand(4,4), columns=list('abcd'))
df['group'] = [0, 0, 1, 1]
df

          a         b         c         d  group
0  0.418500  0.030955  0.874869  0.145641      0
1  0.446069  0.901153  0.095052  0.487040      0
2  0.843026  0.936169  0.926090  0.041722      1
3  0.635846  0.439175  0.828787  0.714123      1

列名から集計関数にマップされた辞書は、集計を実行するための完全に優れた方法です。

df.groupby('group').agg({'a':['sum', 'max'], 
                         'b':'mean', 
                         'c':'sum', 
                         'd': lambda x: x.max() - x.min()})

              a                   b         c         d
            sum       max      mean       sum  <lambda>
group                                                  
0      0.864569  0.446069  0.466054  0.969921  0.341399
1      1.478872  0.843026  0.687672  1.754877  0.672401

その醜いラムダ列名が気に入らない場合は、通常の関数を使用して、次の__name__ような特別な属性にカスタム名を指定できます。

def max_min(x):
    return x.max() - x.min()

max_min.__name__ = 'Max minus Min'

df.groupby('group').agg({'a':['sum', 'max'], 
                         'b':'mean', 
                         'c':'sum', 
                         'd': max_min})

              a                   b         c             d
            sum       max      mean       sum Max minus Min
group                                                      
0      0.864569  0.446069  0.466054  0.969921      0.341399
1      1.478872  0.843026  0.687672  1.754877      0.672401

シリーズの使用applyと返却

ここで、相互作用する必要のある複数の列がある場合はagg、を使用できません。これは、シリーズを集約関数に暗黙的に渡します。applyグループ全体をDataFrameとして使用すると、関数に渡されます。

すべての集計のシリーズを返す単一のカスタム関数を作成することをお勧めします。新しい列のラベルとしてシリーズインデックスを使用します。

def f(x):
    d = {}
    d['a_sum'] = x['a'].sum()
    d['a_max'] = x['a'].max()
    d['b_mean'] = x['b'].mean()
    d['c_d_prodsum'] = (x['c'] * x['d']).sum()
    return pd.Series(d, index=['a_sum', 'a_max', 'b_mean', 'c_d_prodsum'])

df.groupby('group').apply(f)

         a_sum     a_max    b_mean  c_d_prodsum
group                                           
0      0.864569  0.446069  0.466054     0.173711
1      1.478872  0.843026  0.687672     0.630494

MultiIndexesが大好きな場合でも、次のようなシリーズを返すことができます。

    def f_mi(x):
        d = []
        d.append(x['a'].sum())
        d.append(x['a'].max())
        d.append(x['b'].mean())
        d.append((x['c'] * x['d']).sum())
        return pd.Series(d, index=[['a', 'a', 'b', 'c_d'], 
                                   ['sum', 'max', 'mean', 'prodsum']])

df.groupby('group').apply(f_mi)

              a                   b       c_d
            sum       max      mean   prodsum
group                                        
0      0.864569  0.446069  0.466054  0.173711
1      1.478872  0.843026  0.687672  0.630494
于 2017-11-03T19:44:14.237 に答える
180

最初の部分では、キーの列名のdictと値の関数のリストを渡すことができます。

In [28]: df
Out[28]:
          A         B         C         D         E  GRP
0  0.395670  0.219560  0.600644  0.613445  0.242893    0
1  0.323911  0.464584  0.107215  0.204072  0.927325    0
2  0.321358  0.076037  0.166946  0.439661  0.914612    1
3  0.133466  0.447946  0.014815  0.130781  0.268290    1

In [26]: f = {'A':['sum','mean'], 'B':['prod']}

In [27]: df.groupby('GRP').agg(f)
Out[27]:
            A                   B
          sum      mean      prod
GRP
0    0.719580  0.359790  0.102004
1    0.454824  0.227412  0.034060

更新1：

集計関数はSeriesで機能するため、他の列名への参照は失われます。これを回避するには、データフレーム全体を参照し、ラムダ関数内のグループインデックスを使用してインデックスを作成します。

これがハッキーな回避策です：

In [67]: f = {'A':['sum','mean'], 'B':['prod'], 'D': lambda g: df.loc[g.index].E.sum()}

In [69]: df.groupby('GRP').agg(f)
Out[69]:
            A                   B         D
          sum      mean      prod  <lambda>
GRP
0    0.719580  0.359790  0.102004  1.170219
1    0.454824  0.227412  0.034060  1.182901

ここで、結果の「D」列は、合計された「E」値で構成されます。

更新2：

これが私があなたが求めるすべてをするだろうと思う方法です。まず、カスタムラムダ関数を作成します。以下では、gはグループを参照しています。集計する場合、gはシリーズになります。に渡すg.indexとdf.ix[]、dfから現在のグループが選択されます。次に、列Cが0.5未満かどうかをテストします。返されたブール系列が渡されg[]、基準を満たす行のみが選択されます。

In [95]: cust = lambda g: g[df.loc[g.index]['C'] < 0.5].sum()

In [96]: f = {'A':['sum','mean'], 'B':['prod'], 'D': {'my name': cust}}

In [97]: df.groupby('GRP').agg(f)
Out[97]:
            A                   B         D
          sum      mean      prod   my name
GRP
0    0.719580  0.359790  0.102004  0.204072
1    0.454824  0.227412  0.034060  0.570441
于 2013-01-25T20:40:24.770 に答える
43

Pandas >= 0.25.0、名前付き集計

pandasバージョン以降では、辞書ベースの集計と名前変更から、を受け入れる名前付き集計0.25.0に移行しています。これで、より有益な列名に集約+名前変更を同時に行うことができます。tuple

例：

df = pd.DataFrame(np.random.rand(4,4), columns=list('abcd'))
df['group'] = [0, 0, 1, 1]

          a         b         c         d  group
0  0.521279  0.914988  0.054057  0.125668      0
1  0.426058  0.828890  0.784093  0.446211      0
2  0.363136  0.843751  0.184967  0.467351      1
3  0.241012  0.470053  0.358018  0.525032      1

GroupBy.agg名前付き集計で適用します。

df.groupby('group').agg(
             a_sum=('a', 'sum'),
             a_mean=('a', 'mean'),
             b_mean=('b', 'mean'),
             c_sum=('c', 'sum'),
             d_range=('d', lambda x: x.max() - x.min())
)

          a_sum    a_mean    b_mean     c_sum   d_range
group                                                  
0      0.947337  0.473668  0.871939  0.838150  0.320543
1      0.604149  0.302074  0.656902  0.542985  0.057681
于 2019-08-03T13:50:10.343 に答える
40

Ted Petrouの答えの代わりに（主に美学について）、私はもう少しコンパクトなリストを好むことに気づきました。それを受け入れることを考えないでください、それはテッドの答えとコード/データに関するはるかに詳細なコメントです。Python /パンダは私の最初/最高ではありませんが、これはよく読めることがわかりました：

df.groupby('group') \
  .apply(lambda x: pd.Series({
      'a_sum'       : x['a'].sum(),
      'a_max'       : x['a'].max(),
      'b_mean'      : x['b'].mean(),
      'c_d_prodsum' : (x['c'] * x['d']).sum()
  })
)

          a_sum     a_max    b_mean  c_d_prodsum
group                                           
0      0.530559  0.374540  0.553354     0.488525
1      1.433558  0.832443  0.460206     0.053313

dplyrパイプやdata.tableチェーンコマンドを彷彿とさせます。彼らが優れていると言うのではなく、私にはもっと馴染みがあります。（私は確かにその力と、多くの人defにとって、これらのタイプの操作にもっと形式化された関数を使用することの好みを認識しています。これは単なる代替手段であり、必ずしも良いとは限りません。）

テッドと同じ方法でデータを生成しました。再現性のためにシードを追加します。

import numpy as np
np.random.seed(42)
df = pd.DataFrame(np.random.rand(4,4), columns=list('abcd'))
df['group'] = [0, 0, 1, 1]
df

          a         b         c         d  group
0  0.374540  0.950714  0.731994  0.598658      0
1  0.156019  0.155995  0.058084  0.866176      0
2  0.601115  0.708073  0.020584  0.969910      1
3  0.832443  0.212339  0.181825  0.183405      1
于 2018-11-01T06:42:55.173 に答える
8
于 2019-11-21T02:49:45.567 に答える
3

テッドの答えは素晴らしいです。誰かが興味を持った場合に備えて、私はそれの小さいバージョンを使用することになりました。複数の列の値に依存する1つの集計を探している場合に便利です。

データフレームを作成する

df = pd.DataFrame({
    'a': [1, 2, 3, 4, 5, 6], 
    'b': [1, 1, 0, 1, 1, 0], 
    'c': ['x', 'x', 'y', 'y', 'z', 'z']
})

print(df)
   a  b  c
0  1  1  x
1  2  1  x
2  3  0  y
3  4  1  y
4  5  1  z
5  6  0  z

適用によるグループ化と集約（複数の列を使用）

print(
    df
    .groupby('c')
    .apply(lambda x: x['a'][(x['a'] > 1) & (x['b'] == 1)]
    .mean()
)
c
x    2.0
y    4.0
z    5.0

グループ化と集計による集計（複数の列を使用）

まだaggregateを使用できるので、このアプローチが好きです。おそらく、グループで集計を行うときに複数の列を取得するために適用が必要な理由を教えてくれるでしょう。

今では明らかなようですが、groupbyの直後に対象の列を選択しない限り、集計関数内からデータフレームのすべての列にアクセスできます。

選択した列へのアクセスのみ

df.groupby('c')['a'].aggregate(lambda x: x[x > 1].mean())

選択は結局のところ魔法なので、すべての列へのアクセス

df.groupby('c').aggregate(lambda x: x[(x['a'] > 1) & (x['b'] == 1)].mean())['a']

または同様に

df.groupby('c').aggregate(lambda x: x['a'][(x['a'] > 1) & (x['b'] == 1)].mean())

これがお役に立てば幸いです。

于 2018-07-12T12:29:21.823 に答える
3

これは、名前付き集計を使用する「exans」の回答にひねりを加えたものです。これは同じですが、引数をアンパックすると、辞書をagg関数に渡すことができます。

名前付きaggsは優れた機能ですが、キーワードを使用しているため、一見プログラムで記述しにくいように見えるかもしれませんが、実際には引数/キーワードをアンパックするだけで簡単です。

animals = pd.DataFrame({'kind': ['cat', 'dog', 'cat', 'dog'],
                         'height': [9.1, 6.0, 9.5, 34.0],
                         'weight': [7.9, 7.5, 9.9, 198.0]})
 
agg_dict = {
    "min_height": pd.NamedAgg(column='height', aggfunc='min'),
    "max_height": pd.NamedAgg(column='height', aggfunc='max'),
    "average_weight": pd.NamedAgg(column='weight', aggfunc=np.mean)
}

animals.groupby("kind").agg(**agg_dict)

結果

      min_height  max_height  average_weight
kind                                        
cat          9.1         9.5            8.90
dog          6.0        34.0          102.75
于 2020-07-22T18:04:21.650 に答える