python - Pandas groupby : counting rows satisfying condition on other columns?

Question

我想在 pandas 中做一个 groupby 作为结果得到一个数据框，该数据框的列是用于 groupby 的列，每个组和之间的元素数量它们，每个组中的元素数量，基于另一列值满足/不满足条件的元素数量。

例如像这样输入:

type    success
A       True
B       False
A       False
C       True

我想要这样的东西:

type    total    numOfSuccess numOfFailure
A       2        1             1
B       1        0             1
C       1        1             0

在 pyspark 中我是这样做的

import pyspark.sql.functions as F
df = df.groupBy("type").agg(\
    F.count('*').alias('total'), \
    F.sum(F.when(F.col('success')=="true", 1).otherwise(0)).alias('numOfSuccess'),
    F.sum(F.when(F.col('success')!="true", 1).otherwise(0)).alias('numOfFails'))

在 pandas 中我只能得到 total 和 numOfSuccess 为:

df_new = df.groupby(['type'], as_index=False)['success'].agg({'total':'count', 'numOfSuccess':'sum'})

或仅合计为:

df = df.groupby(['type']).size().reset_index(name='NumOfReqs')

但我无法获得第三列 numOfFailures 并且如果有替代方案而不是对 bool 值求和，那会更好，因为我认为 in 可以扩展到其他情况也更容易.

我该怎么做？

Answer 1

使用groupby与 GroupBy.size计算所有数据，然后计算每个类别需要旋转 - 使用 GroupBy.size 和 unstack , crosstab或 pivot_table :

df1 = df.groupby('type').size().reset_index(name='count')
df2 = (df.groupby(['type', 'success']).size().unstack(fill_value=0)
        .rename(columns={True:'numOfSuccess', False:'numOfFails'}))

df2 的替代方法:

df2 = pd.crosstab(df['type'], df['success'])
        .rename(columns={True:'numOfSuccess', False:'numOfFails'}))

或者:

df2 = (df.pivot_table(index='type', columns='success', fill_value=0, aggfunc='size')
        .rename(columns={True:'numOfSuccess', False:'numOfFails'}))

---

df_new = df1.join(df2, on='type')
print (df_new)
  type  count  numOfFails  numOfSuccess
0    A      2           1             1
1    B      1           1             0
2    C      1           0             1

另一种解决方案是在 crosstab 中使用参数 margins并通过索引 iloc 删除最后一行:

df = (pd.crosstab(df['type'], df['success'], margins=True)
        .rename(columns={True:'numOfSuccess', False:'numOfFails', 'All':'count'})
        .iloc[:-1]
        .reset_index()
        .rename_axis(None, axis=1))

print (df)
  type  numOfFails  numOfSuccess  count
0    A           1             1      2
1    B           1             0      1
2    C           0             1      1

编辑:如果 True 或 False 可能不存在，请添加 reindex添加缺失的列:

print (df)
  type  success
0    A     True
1    B     True
2    A     True
3    C     True

df1 = df.groupby('type').size().reset_index(name='count')
df2 = (df.groupby(['type', 'success']).size().unstack(fill_value=0)
         .reindex(columns=[True, False], fill_value=0)
         .rename(columns={True:'numOfSuccess', False:'numOfFails'}))


df_new = df1.join(df2, on='type')
print (df_new)
  type  count  numOfSuccess  numOfFails
0    A      2             2           0
1    B      1             1           0
2    C      1             1           0