python - Pandas 拆分列并汇总结果，索引中有重复项

Question

我有以下数据框:

ID     Type      Value
1        A         311
1        A         223
1        B        1233
2        A         424
2        A         553
3        A          11
3        B           4
3        B           5

我正在尝试通过拆分“类型”列来聚合“ID”列，这样每个 ID 都有自己的行和 A 类和 B 类的相应列。在“A”和“B”列中我想要跨行分配每个相应值的第一次出现。如果缺少 A 或 B(或两者)，我想分配 NaN。为了清楚地说明这个想法，以下示例描述了我正在寻找的结果:

   ID       A           B
    1      311        1233
    2      424         NaN
    3       11           4

结果保留 A 出现的第一个值(同时忽略 A 223 的第二个值)。由于 ID 1 中的 B 没有第二个值，它只保留值 1233。对于其他 ID，此逻辑将继续。

我一直在尝试使用 .pivot 来解决这个问题

df.pivot(columns="Type",values="Value")

这有助于我分隔类型列，这样我得到:

Type      A        B
  0      311      NaN
  1      223      NaN
  2      NaN     1233
  3      11         4

但是我无法将 ID 列作为索引传递，因为它给我错误:

ValueError: Index contains duplicate entries, cannot reshape

但是，在 ID 列上使用 drop_duplicates 会导致数据丢失。有什么方便的方法可以在 pandas 中进行这样的操作吗？

Answer 1

您需要先删除重复项，然后再旋转。

df.drop_duplicates(['ID', 'Type']).pivot('ID', 'Type', 'Value')

Type      A       B
ID                 
1     311.0  1233.0
2     424.0     NaN
3      11.0     4.0

---

或者，将 pivot_table 与 aggfunc='first' 一起使用:

df.pivot_table(index='ID', columns='Type', values='Value', aggfunc='first')

Type      A       B
ID                 
1     311.0  1233.0
2     424.0     NaN
3      11.0     4.0

---

性能
这实际上取决于您的数据和组数。最好是根据您自己的数据对其进行测试。

df_ = df.copy()
df = pd.concat([df_] * 10000, ignore_index=True)

%timeit df.pivot_table(index='ID', columns='Type', values='Value', aggfunc='first')
%timeit df.drop_duplicates(['ID', 'Type']).pivot('ID', 'Type', 'Value')
%timeit df.groupby(['ID', 'Type']).Value.first().unstack(1)

15.2 ms ± 272 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
8.63 ms ± 98 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
8.34 ms ± 246 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)