我的目标是按特定列(标识符)对数据集进行分组,然后执行一些自定义操作(首先按日期排序,然后连接状态)。
这是我到目前为止所做的。
import pandas as pd
from io import StringIO
text = """date identifier status
1/1/18 A Pending
1/1/18 B Pending
1/1/18 C Pending
1/2/18 A Approve
1/2/18 B Pending
1/2/18 C Pending
1/3/18 B Approve
1/3/18 C Pending"""
text = StringIO(text)
df = pd.read_csv(text, sep="\t")
# group by identifier
# within the group, sort by date
# then concatenate by status
def myfunc(df):
df.sort_values(by="date", ascending=True)
res = [s[0] for s in df['status']]
return ''.join(res)
df.groupby(['identifier']).agg(lambda x: myfunc(x))
id date status
A PA PA
B PPA PPA
C PPP PPP
似乎agg
将lambda
函数应用于每一列,当应用于每一列时,整个组将是可见的,这导致status
并date
出现在最终结果中并共享相同的输出。之后我可以删除日期列,但似乎并不理想。
我尝试指定状态列,然后您将无法看到要包含的其他列(用于排序)。
def myfunc1(x):
print(x)
df.groupby(['identifier']).agg({'status': lambda x: myfunc1(x)})
0 Pending
3 Approve
Name: status, dtype: object
1 Pending
4 Pending
6 Approve
Name: status, dtype: object
2 Pending
5 Pending
7 Pending
Name: status, dtype: object
综上所述,我应该如何正确使用 agg 函数来获得最终结果
id status
A PA
B PPA
C PPP
IIUC,你可以先切片再切片 agg
df['letter'] = df.status.str[0]
df.groupby('identifier').letter.agg(''.join)
identifier
A PA
B PPA
C PPP
但是如果你真的想使用你的myfunc
,你可以通过这样做来纠正
分配回sort_values
(或完全删除它):现在的方式是,您正在排序但不使用sort_values
. 因此,实际上什么也没做。(我相信你应该sort_values
才去groupby
和agg
,而不是内部agg func
。
指定你想要agg
的status
col,而不是所有的col 。您可以通过两种方式做到这一点,如下所示
代码如下:
def myfunc(ser):
res = [s[0] for s in ser]
return ''.join(res)
df = df.sort_values('date', ascending=True)
df.groupby(['identifier']).agg({'status': lambda x: myfunc(x)})
或者
df.groupby(['identifier']).status.agg(lambda x: myfunc(x))
#same as
df.groupby(['identifier']).status.agg(myfunc)
本文收集自互联网,转载请注明来源。
如有侵权,请联系 [email protected] 删除。
我来说两句