python - 如何使用 groupby 和 .loc 顺序过滤数据帧

Question

我有一个大型数据框，其中包含有关食品的信息。例如:

     Year    Journal    Subscription    Known_author
0    2014       A            1               1
1    2014       A            1               0 
2    2014       B            0               1
3    2014       C            1               0
4    2015       A            1               1
5    2015       B            1               1
6    2015       C            0               1
7    2015       D            0               0

我希望能够按年份分组并创建一个表，其中包含 (1) 每年的独特期刊数量，(2) 已订阅的独特期刊数量，以及 (3) 已订阅的独特期刊数量拥有订阅和知名作者。

这将是我在这种情况下寻找的表:

Year   (1) Column         (2) Column      (3) Column
2014       3                   2               1
2015       4                   2               2 

我用过:

(1) 第一列的 df.groupby('Pub_Date_Year')['Journal'].agg('nunique')

(2) df.loc[(df['订阅']==1)&(df['年份']==2014),'期刊'].agg(['nunique']) .values[0]

(3) df.loc[(df['订阅']==1)&(df['Known_author']==1)&(df['年份']==2014),' Journal'].agg(['nunique']).values[0]

但是，我希望一次性创建该表，我假设使用 groupby、aggregate 和某种 lambda 函数。最终的想法是当我们获取更多数据时自动执行此过程，而不必依赖于手动更改 df.loc 代码中的年份。

有办法做到这一点吗？

Answer 1

正如您所猜测的，您需要将 groupby 和 apply 与自定义函数一起使用。

def grouping(x):
    journal_uniq = x['Journal'].nunique()
    journal_subs = x.groupby('Journal').apply(lambda d : d['Subscription'].sum() > 0).sum()
    journal_author = x.groupby('Journal').apply(lambda d : ((((d['Subscription'] == 1) & (d['Known_author'] == 1)).sum()) > 0)).sum()
    return pd.Series([journal_uniq, journal_subs, journal_author])

ddf = df.groupby('Year').apply(grouping)

使用您的示例输入，这将返回:

      0  1  2
Year         
2014  3  2  1
2015  4  2  2

有关该功能的更多详细信息:

• journal_uniq 是第一列中的值。它使用 nunique 计算 'Journal' 列中的唯一值，您已经执行了此步骤。
• journal_subs 是第二列中的值。由于您想要唯一的期刊，因此您还需要对 'Journal' 进行分组，并检查 'Subscription' 的总和是否大于零。第二个 sum 函数对 True 值的数量进行求和(True 转换为 1，False 转换为 0)。
• journal_author 是第三列中的值。第二列的逻辑相同，但有点复杂，因为您需要检查 'Subscription' 和 'Known_author' 列是否同时等于 1行。
• 返回的 pandas.Series 是最终数据帧的一行。