python - 如何写好长的 Pandas 聚合？

Question

长话短说

如何编写涉及groupby()、unstack() 或apply() 等许多操作的长聚合？

示例

假设您有一个 DataFrame()，n_sales = 1000 门票销售 n_events = 10 不同的事件，例如

import pandas as pd
import numpy as np

sales = pd.DataFrame({
    'Event': np.random.choice(range(n_events), n_sales), 
    'Time': np.random.rand(n_sales)})

并且您想绘制当晚至少售出 n = [50, 100] 门票的事件数量:

那我会做

accumulation_of_sales = sales.groupby(['Time', 'Event']).size().unstack().fillna(0).cumsum()
events_with_n_sales = accumulation_of_sales.apply(lambda x: x.value_counts(), axis=1).fillna(0)
events_with_geq_n_sales = events_with_n_sales[events_with_n_sales.columns[::-1]].cumsum(axis=1)

events_with_geq_n_sales[n].plot()

这对我来说似乎很难读懂，而且这些行原则上太长了(参见 PEP )。所以，

• 如何最好地完成这些特定和类似的操作？
• 是否有一些针对初学者的教程/风格指南/...？也许不是特别适合 Pandas，而是类似的语言？

Answer 1

编写多行 pandas 查询的一种方法是使用:

accumulation_of_sales = sales.groupby(['Time', 'Event'])\
                             .size()\
                             .unstack()\
                             .fillna(0)\
                             .cumsum()

我有时更喜欢将它们括在括号中。

但是，如果您经常在这里做几件事，则有一种更简单的方法。例如，每当您看到“groupby + unstack”时，您应该想到“pivot_table”:

sales.pivot_table(columns='Event', index='Time', aggfunc=len, fill_value=0).cumsum()

(等效，效率更高，可读性更好。)