python - 如何分组和透视具有非数字值的数据框

Question

我正在使用 Python，我有一个包含 6 列的数据集，R、Rc、J、T、Ca 和 Cb。我需要在“R”和“J”列上“聚合”，以便对于每个 R，每一行都是唯一的“J”。 Rc 是 R 的特征。Ca 和 Cb 是 T 的特征。查看下表会更有意义。

我需要从:

#______________________            ________________________________________________________________
#| R  Rc  J  T  Ca  Cb|           |# R  Rc  J  Ca(T=1)  Ca(T=2)  Ca(T=3)  Cb(T=1)  Cb(T=2)  Cb(T=3)|
#| a   p  1  1  x    d|           |# a  p   1    x         y        z        d        e        f   |
#| a   p  1  2  y    e|           |# b  o   1    w                           g                     |  
#| a   p  1  3  z    f|  ----->   |# b  o   2    v                           h                     | 
#| b   o  1  1  w    g|           |# b  o   3    s                           i                     |
#| b   o  2  1  v    h|           |# c  n   1    t         r                 j        k            |
#| b   o  3  1  s    i|           |# c  n   2    u                           l                     |
#| c   n  1  1  t    j|           |________________________________________________________________|
#| c   n  1  2  r    k|           
#| c   n  2  1  u    l|
#|____________________|

data = {'R' : ['a', 'a', 'a', 'b', 'b', 'b', 'c', 'c', 'c'], 
        'Rc': ['p', 'p', 'p', 'o', 'o', 'o', 'n', 'n', 'n'],
        'J' : [1, 1, 1, 1, 2, 3, 1, 1, 2], 
        'T' : [1, 2, 3, 1, 1, 1, 1, 2, 1], 
        'Ca': ['x', 'y', 'z', 'w', 'v', 's', 't', 'r', 'u'],
        'Cb': ['d', 'e', 'f', 'g', 'h', 'i', 'j', 'k', 'l']}

df = pd.DataFrame(data=data)

我不想丢失 Rc、Ca 或 Cb 中的数据。

Rc(或以“c”结尾的每一列)对于每个 R 都是相同的，因此可以与 R 分组。

但是 Ca 和 Cb(或以 'C' 开头的每一列)对于每个 T 都是唯一的，它们将被聚合，否则会丢失。当 T=1 时，这些需要保存在名为 Ca(T=1) 的新列中，当 T=2 时为 Ca(T=2)，当 T=3 时为 Ca(T=3)。 Cb 也是如此。

因此，使用 T，我需要为给定 T 的每个 Ca 和 Cb 创建 T 个列，将 Ca 和 Cb 中的数据写入新列。

附注。如果有帮助，列 J 和 T 都有一个带有唯一 ID 的额外列。

J_ID = [1,1,1,2,3,4,5,5,6]
T_ID = [1,2,3,4,5,6,7,8,9]

到目前为止我尝试过的:

(
    df.groupby(['R','J'])
    .apply(lambda x: x.Ca.tolist()).apply(pd.Series)
    .rename(columns=lambda x: f'Ca{x+1}')
    .reset_index()
)

问题:只能用其中一个 C 来做，而我失去了 Rc。

任何帮助将不胜感激!

Answer 1

您可以使用 pivot_table ( here the docs ) 使用 lambda 函数作为 aggfunc争论:

table = pd.pivot_table(df, index = ['R','Rc','J'],values = ['Ca','Cb'],
                    columns = ['T'], fill_value = '', aggfunc = lambda x: ''.join(str(v) for v in x)).reset_index()


   R Rc  J Ca       Cb      
T           1  2  3  1  2  3
0  a  p  1  x  y  z  d  e  f
1  b  o  1  w        g      
2  b  o  2  v        h      
3  b  o  3  s        i      
4  c  n  1  t  r     j  k   
5  c  n  2  u        l      

然后您可以删除多索引列并按如下方式重命名(取自 this great answer ):

table.columns = ['%s%s' % (a, ' (T = %s)' % b if b else '') for a, b in table.columns]

   R Rc  J Ca (T = 1) Ca (T = 2) Ca (T = 3) Cb (T = 1) Cb (T = 2) Cb (T = 3)
0  a  p  1          x          y          z          d          e          f
1  b  o  1          w                                g                      
2  b  o  2          v                                h                      
3  b  o  3          s                                i                      
4  c  n  1          t          r                     j          k           
5  c  n  2          u                                l