python - Pandas 数据框中以相同字符串开头的列的总和值

Question

我有一个包含大约 100 列的数据框，如下所示:

   Id  Economics-1  English-107  English-2  History-3  Economics-zz  Economics-2  \
0  56          1            1          0        1       0           0   
1  11          0            0          0        0       1           0   
2   6          0            0          1        0       0           1   
3  43          0            0          0        1       0           1   
4  14          0            1          0        0       1           0   

   Histo      Economics-51      Literature-re         Literatureu4  
0           1            0           1                0  
1           0            0           0                1  
2           0            0           0                0  
3           0            1           1                0  
4           1            0           0                0  

我的目标是只保留全局类别——英语、历史、文学——并分别在此数据框中写入它们的组件值的总和。例如，“English”将是“English-107”和“English-2”的总和:

    Id  Economics      English    History  Literature  
0  56          1            1          2        1                     
1  11          1            0          0        1                    
2   6          0            1          1        0                     
3  43          2            0          1        1                     
4  14          0            1          1        0          

为此，我尝试了两种方法。第一种方法:

df = pd.read_csv(file_path, sep='\t')
df['History'] = df.loc[df[df.columns[pd.Series(df.columns).str.startswith('History')]].sum(axes=1)]

第二种方法:

df = pd.read_csv(file_path, sep='\t')
filter_col = [col for col in list(df) if col.startswith('History')]
df['History'] = 0 # initialize value, otherwise throws KeyError
for c in df[filter_col]:
    df['History'] = df[filter_col].sum(axes=1)
    print df['History', df[filter_col]]

但是，两者都给出了错误:

TypeError: 'DataFrame' objects are mutable, thus they cannot be
hashed

我的问题是:如何调试此错误或是否有其他解决方案来解决我的问题。请注意，我有一个相当大的数据框，大约有 100 列和 400000 行，所以我正在寻找一个优化的解决方案，比如在 pandas 中使用 loc。

Answer 1

我建议您做一些不同的事情，即执行转置，按行(您的原始列)的前缀分组，求和，然后再次转置。

考虑以下几点:

df = pd.DataFrame({
        'a_a': [1, 2, 3, 4],
        'a_b': [2, 3, 4, 5],
        'b_a': [1, 2, 3, 4],
        'b_b': [2, 3, 4, 5],
    })

现在

[s.split('_')[0] for s in df.T.index.values]

是列的前缀。所以

>>> df.T.groupby([s.split('_')[0] for s in df.T.index.values]).sum().T
    a   b
0   3   3
1   5   5
2   7   7
3   9   9

做你想做的。

在您的情况下，请确保使用 '-' 字符进行拆分。