pandas groupby 在组内排序

pandas groupby sort within groups

我想按两列对我的数据框进行分组,然后对组内的聚合结果进行排序。

In [167]: df

Out[167]:
   count     job source
0      2   sales      A
1      4   sales      B
2      6   sales      C
3      3   sales      D
4      7   sales      E
5      5  market      A
6      3  market      B
7      2  market      C
8      4  market      D
9      1  market      E


In [168]: df.groupby(['job','source']).agg({'count':sum})

Out[168]:
               count
job    source       
market A           5
       B           3
       C           2
       D           4
       E           1
sales  A           2
       B           4
       C           6
       D           3
       E           7

我现在想在每个组中按降序对计数列进行排序。然后只取前三行。得到类似的东西:

                count
job     source
market  A           5
        D           4
        B           3
sales   E           7
        C           6
        B           4

你想做的实际上又是一个 groupby(在第一个 groupby 的结果上):排序并取每组的前三个元素。

从第一个groupby的结果开始:

In [60]: df_agg = df.groupby(['job','source']).agg({'count':sum})

我们按索引的第一层分组:

In [63]: g = df_agg['count'].groupby('job', group_keys=False)

然后我们要对每组进行排序('order'),取前三个元素:

In [64]: res = g.apply(lambda x: x.sort_values(ascending=False).head(3))

但是,为此,有一个快捷功能可以做到这一点,nlargest:

In [65]: g.nlargest(3)
Out[65]:
job     source
market  A         5
        D         4
        B         3
sales   E         7
        C         6
        B         4
dtype: int64

所以一口气,这看起来像:

df_agg['count'].groupby('job', group_keys=False).nlargest(3)

您也可以一次完成,首先进行排序,然后使用 head 获取每组的前 3 个。

In[34]: df.sort_values(['job','count'],ascending=False).groupby('job').head(3)

Out[35]: 
   count     job source
4      7   sales      E
2      6   sales      C
1      4   sales      B
5      5  market      A
8      4  market      D
6      3  market      B

这是另一个按排序顺序排在前 3 位并在组内排序的示例:

In [43]: import pandas as pd                                                                                                                                                       

In [44]:  df = pd.DataFrame({"name":["Foo", "Foo", "Baar", "Foo", "Baar", "Foo", "Baar", "Baar"], "count_1":[5,10,12,15,20,25,30,35], "count_2" :[100,150,100,25,250,300,400,500]})

In [45]: df                                                                                                                                                                        
Out[45]: 
   count_1  count_2  name
0        5      100   Foo
1       10      150   Foo
2       12      100  Baar
3       15       25   Foo
4       20      250  Baar
5       25      300   Foo
6       30      400  Baar
7       35      500  Baar


### Top 3 on sorted order:
In [46]: df.groupby(["name"])["count_1"].nlargest(3)                                                                                                                               
Out[46]: 
name   
Baar  7    35
      6    30
      4    20
Foo   5    25
      3    15
      1    10
dtype: int64


### Sorting within groups based on column "count_1":
In [48]: df.groupby(["name"]).apply(lambda x: x.sort_values(["count_1"], ascending = False)).reset_index(drop=True)
Out[48]: 
   count_1  count_2  name
0       35      500  Baar
1       30      400  Baar
2       20      250  Baar
3       12      100  Baar
4       25      300   Foo
5       15       25   Foo
6       10      150   Foo
7        5      100   Foo

如果您不需要对列求和,请使用@tvashtar 的答案。如果您确实需要求和,那么您可以使用@joris 的答案或与它非常相似的答案。

df.groupby(['job']).apply(lambda x: (x.groupby('source')
                                      .sum()
                                      .sort_values('count', ascending=False))
                                     .head(3))

试试这个,这是一种按降序进行 groupby 和排序的简单方法:

df.groupby(['companyName'])['overallRating'].sum().sort_values(ascending=False).head(20)

你可以一行完成 -

df.groupby(['job']).apply(lambda x: x.sort_values(['count'], ascending=False).head(3)
.drop('job', axis=1))

apply() 的作用是获取每组 groupby 并将其分配给 lambda 函数中的 x。

我在没有使用“by”的情况下遇到了这个错误:

TypeError:sort_values() 缺少 1 个必需的位置参数:'by'

所以,我把它改成了这个,现在可以用了:

df.groupby(['job','source']).agg({'count':sum}).sort_values(by='count',ascending=False).head(20)

@joris 的回答帮了大忙。 这对我有用。

df.groupby(['job'])['count'].nlargest(3)

当分组数据框包含多个分组列时,其他方法会删除其他列。

edf = pd.DataFrame({"job":["sales", "sales", "sales", "sales", "sales",
                           "market", "market", "market", "market", "market"],
                    "source":["A", "B", "C", "D", "E", "A", "B", "C", "D", "E"],
                    "count":[2, 4,6,3,7,5,3,2,4,1],
                    "other_col":[1,2,3,4,56,6,3,4,6,11]})

gdf = edf.groupby(["job", "source"]).agg({"count":sum, "other_col":np.mean})
gdf.groupby(level=0, group_keys=False).apply(lambda g:g.sort_values("count", ascending=False))

这会保留 other_col 以及每个组中 count 列的排序