使用 pandas 的多列 groupby 来查找每个组的最大值

Question

我有如下数据框：

Feature	value	frequency	label
age_45_and_above	No	2700	negative
age_45_and_above	No	1707	positive
age_45_and_above	No	83	other
age_45_and_above	Yes	222	negative
age_45_and_above	Yes	15	positive
age_45_and_above	Yes	8	other
age_45_and_above	[Null]	323	negative
age_45_and_above	[Null]	8	other
age_45_and_above	[Null]	5	positive
talk	No	20	negative
talk	No	170	positive
talk	No	500	other
talk	Yes	210	negative
talk	Yes	1500	positive
talk	Yes	809	other
talk	[Null]	234	negative
talk	[Null]	43	other
talk	[Null]	85	positive

等等。

对于每个特征组，我想找到最大频率及其所有相关行数据，就像特征是age_45_and_above然后通过寻找NO组我们有 3 行 不同的频率和标签，我想报告 最多一个及其相关数据.

我尝试过 groupby 不同的方式：

result.groupby(['Feature', 'Value'])['Frequency', 'Predict'].max()

或者这个，这个，我得到 multi-Index dataframe 这不是我想要的结果：

result.groupby(['Feature', 'Value', 'Predict'])['Frequency'].max()

以及 idxmax、transfrom 和...的多次失败尝试。

我正在寻找的预期输出如下所示：

Feature	value	frequency	label
age_45_and_above	No	2700	negative
age_45_and_above	Yes	222	negative
age_45_and_above	[Null]	323	negative
talk	No	500	other
talk	Yes	1500	positive
talk	[Null]	234	negative

此外，我想知道 如何对除最大行 之外的每个 <<特征值>> 组的频率求和，因为我不知道如何定位最大行，就像这里的第一个特征和值 ,<<age_45_and_above-无>> max为2700,所以总和为 1707+83.

感谢您的宝贵时间。

Answer 1

我会通过对分组数据使用 merge 来做到这一点。

基于此数据：

df = pd.DataFrame({'Feature':['age']*9+['talk']*9,
                   'value':(['No']*3+['Yes']*3+['[Null]']*3)*2,
                   'frequency':[2700,1707,83,222,15,8,323,8,5,20,170,500,210,1500,809,234,43,85],
                   'label':['N','P','O']*6})

使用：

df.groupby(['Feature','value'],as_index=False)['frequency'].max().merge(df,on=['Feature','Value','frequency'])

输出：

  Feature   value  frequency label
0     age      No       2700     N
1     age     Yes        222     N
2     age  [Null]        323     N
3    talk      No        500     O
4    talk     Yes       1500     P
5    talk  [Null]        234     N

可以通过简单的赋值来添加额外的列：

df_1['sum_no_max'] = df.groupby(['Feature','value'])['frequency'].sum().values - df_1['frequency'].values

最终输出：

  Feature   value  frequency label  sum_no_max
0     age      No       2700     N        1790
1     age     Yes        222     N          23
2     age  [Null]        323     N          13
3    talk      No        500     O         190
4    talk     Yes       1500     P        1019
5    talk  [Null]        234     N         128

Answer 2

在 loc 中的 groupby 之后使用 idxmax。

print(df.loc[df.groupby(['Feature','value'])['frequency'].idxmax()])
             Feature   value  frequency     label
0   age_45_and_above      No       2700  negative
3   age_45_and_above     Yes        222  negative
6   age_45_and_above  [Null]        323  negative
11              talk      No        500     other
13              talk     Yes       1500  positive
15              talk  [Null]        234  negative

并且对于没有 max 的 sum，然后计算每组的总和并删除行的频率，然后 select 最大行

gr = df.groupby(['Feature','value'])['frequency']

res = (
    df.assign(total=gr.transform(sum)-df['frequency'])
      .loc[gr.idxmax()]
)
print(res)
             Feature   value  frequency     label  total
0   age_45_and_above      No       2700  negative   1790
3   age_45_and_above     Yes        222  negative     23
6   age_45_and_above  [Null]        323  negative     13
11              talk      No        500     other    190
13              talk     Yes       1500  positive   1019
15              talk  [Null]        234  negative    128

使用 pandas 的多列 groupby 来查找每个组的最大值

Multiple column groupby with pandas to find maximum value for each group

python

pandas

dataframe

max

pandas-groupby