groupby并将键的所有值放在一行中

Question

我有一个熊猫数据框，如下所示

buyer_id  item_id  order_id    date        qty_purchased  qty_bought
     210      82      470  2016-01-02              5           1
     169      57      475  2016-01-02              5           1
     169      83      475  2016-01-02              5           1
     228      82      520  2016-01-03              4           1
     228      86      520  2016-01-03              4           1
     228      90      520  2016-01-03              4           1
     229      57      521  2016-01-03              4           1
     232      82      525  2016-01-04              4           3
     210      90      526  2016-01-04              4           1
     210      91      526  2016-01-04              5           1
     210      15      526  2016-01-05              5           1
     233      90      527  2016-01-05              4           1

我想找到每个日期介绍的item_id，如果item_id介绍超过1个日期，那么我想找到每个日期的比例'（qty_bought/qty_purchased）。

我想要的输出如下

Item_id date 1st Introduced  Ratio Date 2nd Introduced Ratio Date 3rd Introduced Ratio Flag

 82        2016-01-02        1/5       2016-01-03       1/4      2016-01-04       3/4    1

标志的条件是当比率大于以前的日期时，应将其设置为1或0

如果我在5个不同的日期引入了项目，那么这将动态生成5个日期和比率列。比率将具体到该日期。我只想列出那些引入了多次的项目id。

这是我对python的尝试

df.groupby('item_id')['date'].apply(lambda x: np.unique(x.tolist()))

这给了我item_id的列表以及它们被介绍的日期。现在我想子集以上，如果项目已介绍了超过1个日期。

df.groupby('item_id').apply(lambda r: r['date'].unique().shape[0] > 1)

这为我提供了超过一个日期介绍的所有项目id。但我不知道如何使用所需的输出生成数据帧，以及如何添加日期




Answer 1

这个问题的第一部分是选择那些具有多个日期的item\u id的行，并仅使用这些项目创建一个新的日期框。

#subset the items which have more than one date
items_1 = df.groupby('item_id').filter(lambda x: len(np.unique(x['date']))>1).item_id
#create a new dataframe with just those items that have more than one date
new_df = df[df['item_id'].isin(items_1)].copy()
#create the ratio columns
new_df['ratio'] = new_df['qty_bought']/new_df['qty_purchased']
#delete the columns that are not required
new_df.drop(['order_id', 'buyer_id','qty_purchased', 'qty_bought'], axis = 1, inplace= True)

 item_id    date    ratio
0   82  2016-01-02  0.20
1   57  2016-01-02  0.20
3   82  2016-01-03  0.25
5   90  2016-01-03  0.25
6   57  2016-01-03  0.25
7   82  2016-01-04  0.75
8   90  2016-01-04  0.25
11  90  2016-01-05  0.25

问题的第二部分是每个唯一的项目id只有一行，对应的日期和比率有多列。我们使用groupby获取每个item\u id的条目，然后迭代其date和ratio值，同时将它们添加到日期框中新创建的列中。

#group by items and grab each date after the first and insert in a new column
for name, group in new_df.groupby('item_id'):
    for i in range(1, len(group)):
        new_df.loc[group.index[0], 'date'+str(i+1)] = group.date.iloc[i]
        new_df.loc[group.index[0], 'ratio'+str(i+1)] = group.ratio.iloc[i]
#delete the original date column since that information was replicated
new_df.drop(['date', 'ratio'], axis =1, inplace=True)
#keep only one row for each `item_id`
new_df.dropna(subset = ['date0'])


   item_id  date     ratio   date2     ratio2   date3     ratio3
0   82  2016-01-02  0.20    2016-01-03  0.25    2016-01-04  0.75
1   57  2016-01-02  0.20    2016-01-03  0.25    NaN         NaN
5   90  2016-01-03  0.25    2016-01-04  0.25    2016-01-05  0.25