pandas 等价于 dplyr summarize/aggregate 的多个函数是多少？

Question

我在从 R 过渡到 pandas 时遇到问题，其中 dplyr 包可以轻松分组并执行多个摘要。

请帮助改进我现有的 Python pandas 多个聚合代码：

import pandas as pd
data = pd.DataFrame(
    {'col1':[1,1,1,1,1,2,2,2,2,2],
    'col2':[1,2,3,4,5,6,7,8,9,0],
     'col3':[-1,-2,-3,-4,-5,-6,-7,-8,-9,0]
    }
)
result = []
for k,v in data.groupby('col1'):
    result.append([k, max(v['col2']), min(v['col3'])])
print pd.DataFrame(result, columns=['col1', 'col2_agg', 'col3_agg'])

问题：

太冗长
可能可以优化和提高效率。（我将 for-loop groupby 实现重写为 groupby.agg 并且性能得到了巨大的提升）。

在 R 中，等效代码为：

data %>% groupby(col1) %>% summarize(col2_agg=max(col2), col3_agg=min(col3))

更新：@ayhan 解决了我的问题，这是一个后续问题，我将在此处 post 而不是评论：

Q2) groupby().summarize(newcolumn=max(col2 * col3)) 的等价物是什么，即函数是 2+ 列的复合函数的 aggregation/summarization？

Answer 1

相当于

df %>% groupby(col1) %>% summarize(col2_agg=max(col2), col3_agg=min(col3))

是

df.groupby('col1').agg({'col2': 'max', 'col3': 'min'})

哪个return

      col2  col3
col1            
1        5    -5
2        9    -9

returning 对象是一个 pandas.DataFrame，索引名为 col1，列名为 col2 和 col3。默认情况下，当您对数据进行分组时，pandas 将分组列设置为索引以进行高效访问和修改。但是，如果您不想这样做，有两种选择可以将 col1 设置为列。

通过 as_index=False:

df.groupby('col1', as_index=False).agg({'col2': 'max', 'col3': 'min'})

呼叫reset_index：

df.groupby('col1').agg({'col2': 'max', 'col3': 'min'}).reset_index()

两者都屈服

col1  col2  col3           
   1     5    -5
   2     9    -9

您还可以将多个函数传递给 groupby.agg。

agg_df = df.groupby('col1').agg({'col2': ['max', 'min', 'std'], 
                                 'col3': ['size', 'std', 'mean', 'max']})

这也是一个 DataFrame return，但现在它有一个用于列的 MultiIndex。

     col2               col3                   
      max min       std size       std mean max
col1                                           
1       5   1  1.581139    5  1.581139   -3  -1
2       9   0  3.535534    5  3.535534   -6   0

MultiIndex 用于选择和分组非常方便。以下是一些示例：

agg_df['col2']  # select the second column
      max  min       std
col1                    
1       5    1  1.581139
2       9    0  3.535534

agg_df[('col2', 'max')]  # select the maximum of the second column
Out: 
col1
1    5
2    9
Name: (col2, max), dtype: int64

agg_df.xs('max', axis=1, level=1)  # select the maximum of all columns
Out: 
      col2  col3
col1            
1        5    -1
2        9     0

早些时候（在 version 0.20.0 之前）可以使用字典来重命名 agg 调用中的列。例如

df.groupby('col1')['col2'].agg({'max_col2': 'max'})

将return第二列的最大值设为max_col2:

      max_col2
col1          
1            5
2            9

但是，它已被弃用，取而代之的是重命名方法：

df.groupby('col1')['col2'].agg(['max']).rename(columns={'max': 'col2_max'})

      col2_max
col1          
1            5
2            9

对于像上面定义的 agg_df 这样的 DataFrame，它可能会变得冗长。在这种情况下，您可以使用重命名函数来展平这些级别：

agg_df.columns = ['_'.join(col) for col in agg_df.columns]

      col2_max  col2_min  col2_std  col3_size  col3_std  col3_mean  col3_max
col1                                                                        
1            5         1  1.581139          5  1.581139         -3        -1
2            9         0  3.535534          5  3.535534         -6         0

对于像groupby().summarize(newcolumn=max(col2 * col3))这样的操作，您仍然可以通过先添加一个带有assign的新列来使用agg。

df.assign(new_col=df.eval('col2 * col3')).groupby('col1').agg('max') 

      col2  col3  new_col
col1                     
1        5    -1       -1
2        9     0        0

这个 return 是旧列和新列的最大值，但一如既往，您可以将其切分。

df.assign(new_col=df.eval('col2 * col3')).groupby('col1')['new_col'].agg('max')

col1
1   -1
2    0
Name: new_col, dtype: int64

使用 groupby.apply 这会更短：

df.groupby('col1').apply(lambda x: (x.col2 * x.col3).max())

col1
1   -1
2    0
dtype: int64

但是，groupby.apply 将其视为自定义函数，因此未对其进行矢量化。到目前为止，我们传递给 agg 的函数（'min'、'max'、'min'、'size' 等）是矢量化的，这些是优化的别名职能。您可以将 df.groupby('col1').agg('min') 替换为 df.groupby('col1').agg(min)、df.groupby('col1').agg(np.min) 或 df.groupby('col1').min()，它们都将执行相同的功能。使用自定义函数时，您将看不到同样的效率。

最后，从 0.20 版本开始，agg 可以直接在 DataFrames 上使用，而无需先分组。请参阅示例。

Answer 2

在此处查看 Pandas 文档给出的并排比较：http://pandas.pydata.org/pandas-docs/stable/comparison_with_r.html#grouping-and-summarizing

R 的 dplyr

gdf <- group_by(df, col1)
summarise(gdf, avg=mean(col1, na.rm=TRUE))

Pandas

gdf = df.groupby('col1')
df.groupby('col1').agg({'col1': 'mean'})

Answer 3

使用 datar:

无需学习 pandas 的 API 即可轻松将 R 代码转换为 python 代码

>>> from datar import f
>>> from datar.tibble import tibble
>>> from datar.dplyr import group_by, summarize
>>> from datar.base import min, max
>>> data = tibble(
...     col1=[1,1,1,1,1,2,2,2,2,2],
...     col2=[1,2,3,4,5,6,7,8,9,0],
...     col3=[-1,-2,-3,-4,-5,-6,-7,-8,-9,0]
... )
>>> data >> group_by(f.col1) >> summarize(col2_agg=max(f.col2), col3_agg=min(f.col3))
   col1  col2_agg  col3_agg
0     1         5        -5
1     2         9        -9

我是包的作者。有问题欢迎提issue

pandas 等价于 dplyr summarize/aggregate 的多个函数是多少？

What is the pandas equivalent of dplyr summarize/aggregate by multiple functions?

python

r

pandas

pandas-groupby

summarize