python - 将多个函数应用于多个 groupby 列

Question

docs展示如何使用以输出列名称作为键的字典一次对 groupby 对象应用多个函数:

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

但是，这仅适用于 Series groupby 对象。当字典类似地传递给 groupby DataFrame 时，它​​期望键是将函数应用到的列名称。

我想要做的是将多个函数应用于多个列(但某些列将被多次操作)。此外，某些函数将依赖于 groupby 对象中的其他列(如 sumif 函数)。我当前的解决方案是逐列进行，并执行类似于上面代码的操作，对依赖于其他行的函数使用 lambda。但这需要很长时间(我认为迭代 groupby 对象需要很长时间)。我必须更改它，以便在一次运行中迭代整个 groupby 对象，但我想知道 pandas 中是否有内置方法可以干净地完成此操作。

例如，我尝试过类似的方法

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(), ...)

但正如预期的那样，我得到了一个 KeyError (因为如果从 DataFrame 调用 agg ，键必须是一列)。

是否有任何内置方法可以完成我想做的事情，或者可以添加此功能，或者我只需要手动迭代 groupby ？

Answer 1

当前接受的答案的后半部分已经过时，并且有两个弃用。首先也是最重要的是，您不能再将字典的字典传递给 agg groupby 方法。其次，切勿使用 .ix。

如果您希望同时使用两个单独的列，我建议使用 apply 方法，该方法隐式地将 DataFrame 传递给应用函数。让我们使用与上面类似的数据框

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

从列名映射到聚合函数的字典仍然是执行聚合的完美方法。

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

如果您不喜欢那个丑陋的 lambda 列名称，您可以使用普通函数并向特殊的 __name__ 属性提供自定义名称，如下所示:

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

<小时/>

使用apply并返回系列

现在，如果您有多个列需要一起交互，那么您不能使用 agg，它隐式地将 Series 传递给聚合函数。当使用 apply 时，整个组作为 DataFrame 被传递到函数中。

我建议创建一个返回一系列所有聚合的自定义函数。使用系列索引作为新列的标签:

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

如果您喜欢 MultiIndexes，您仍然可以返回一个系列，如下所示:

    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