python pandas，DF.groupby（）。agg（），agg（）中的列引用

Question

关于一个具体问题，说我有一个DataFrame DF

     word  tag count
0    a     S    30
1    the   S    20
2    a     T    60
3    an    T    5
4    the   T    10

我想 为每个“单词” 找到 具有最多“计数”的“标签” 。因此，回报将类似于

     word  tag count
1    the   S    20
2    a     T    60
3    an    T    5

我不在乎计数列或订单/索引是原始的还是混乱的。返回字典{ ‘the’：’S’ ，…}很好。

我希望我能做

DF.groupby(['word']).agg(lambda x: x['tag'][ x['count'].argmax() ] )

但这不起作用。我无法访问列信息。

更抽象地讲， agg（ function ） 中的 函数 将其视为 __什么？

顺便说一句，.agg（）与.aggregate（）相同吗？

非常感谢。

Answer 1

agg与相同aggregate。可调用的是一次传递一次的列（Series对象）DataFrame。

您可以idxmax用来收集具有最大计数的行的索引标签：

idx = df.groupby('word')['count'].idxmax()
print(idx)

产量

word
a       2
an      3
the     1
Name: count

然后用于loc在word和tag列中选择那些行：

print(df.loc[idx, ['word', 'tag']])

产量

  word tag
2    a   T
3   an   T
1  the   S

请注意，idxmax返回索引 标签
。df.loc可用于按标签选择行。但是，如果索引不是唯一的-即，如果存在带有重复索引标签的行-df.loc则将选择带有标签的
所有行idx。所以，要小心，df.index.is_unique是True如果你使用idxmax与df.loc

或者，您可以使用apply。apply的callable传递了一个sub-DataFrame，它使您可以访问所有列：

import pandas as pd
df = pd.DataFrame({'word':'a the a an the'.split(),
                   'tag': list('SSTTT'),
                   'count': [30, 20, 60, 5, 10]})

print(df.groupby('word').apply(lambda subf: subf['tag'][subf['count'].idxmax()]))

产量

word
a       T
an      T
the     S

使用idxmax和loc通常比快apply，尤其是对于大型DataFrame。使用IPython的％timeit：

N = 10000
df = pd.DataFrame({'word':'a the a an the'.split()*N,
                   'tag': list('SSTTT')*N,
                   'count': [30, 20, 60, 5, 10]*N})
def using_apply(df):
    return (df.groupby('word').apply(lambda subf: subf['tag'][subf['count'].idxmax()]))

def using_idxmax_loc(df):
    idx = df.groupby('word')['count'].idxmax()
    return df.loc[idx, ['word', 'tag']]

In [22]: %timeit using_apply(df)
100 loops, best of 3: 7.68 ms per loop

In [23]: %timeit using_idxmax_loc(df)
100 loops, best of 3: 5.43 ms per loop

如果你想有一个字典映射字标签，那么你可以使用set_index 和to_dict这样的：

In [36]: df2 = df.loc[idx, ['word', 'tag']].set_index('word')

In [37]: df2
Out[37]: 
     tag
word    
a      T
an     T
the    S

In [38]: df2.to_dict()['tag']
Out[38]: {'a': 'T', 'an': 'T', 'the': 'S'}