为熊猫透视表中的每个值列定义aggfunc

Question

正在尝试生成包含多个“值”列的透视表。我知道我可以使用aggfunc以我想要的方式聚合值，但如果我不想对两列求和或平均，而是希望一列求和，而另一列求平均值，该怎么办。那么，有没有可能用熊猫来做呢？

df = pd.DataFrame({
          'A' : ['one', 'one', 'two', 'three'] * 6,
          'B' : ['A', 'B', 'C'] * 8,
          'C' : ['foo', 'foo', 'foo', 'bar', 'bar', 'bar'] * 4,
          'D' : np.random.randn(24),
          'E' : np.random.randn(24)
})

现在，这将得到一个带有和的透视表：

pd.pivot_table(df, values=['D','E'], rows=['B'], aggfunc=np.sum)

这意味着：

pd.pivot_table(df, values=['D','E'], rows=['B'], aggfunc=np.mean)

我怎么能得到D和E的平均值？

希望我的问题足够清楚。

Answer 1

table = pivot_table(df, values=['D', 'E'], index=['A', 'C'],
                aggfunc={'D': np.mean,'E': np.sum})

表D E平均值A C酒吧大5.500000 7.500000小5.500000 8.500000 foo大2.000000 4.500000小2.333333 4.333333

Answer 2

您可以连接两个数据帧：

>>> df1 = pd.pivot_table(df, values=['D'], rows=['B'], aggfunc=np.sum)
>>> df2 = pd.pivot_table(df, values=['E'], rows=['B'], aggfunc=np.mean)
>>> pd.concat((df1, df2), axis=1)
          D         E
B                    
A  1.810847 -0.524178
B  2.762190 -0.443031
C  0.867519  0.078460

或者，您可以将函数列表作为aggfunc参数传递，然后重新索引：

>>> df3 = pd.pivot_table(df, values=['D','E'], rows=['B'], aggfunc=[np.sum, np.mean])
>>> df3
        sum                mean          
          D         E         D         E
B                                        
A  1.810847 -4.193425  0.226356 -0.524178
B  2.762190 -3.544245  0.345274 -0.443031
C  0.867519  0.627677  0.108440  0.078460
>>> df3 = df3.ix[:, [('sum', 'D'), ('mean','E')]]
>>> df3.columns = ['D', 'E']
>>> df3
          D         E
B                    
A  1.810847 -0.524178
B  2.762190 -0.443031
C  0.867519  0.078460

当然，如果能为每一列单独定义aggfunc，那就太好了。不知道怎么做，可能会被传递到aggfuncdict-like参数，比如{'D'：np.mean，'E'：np.sum}。

实际上，在您的情况下，您可以手动旋转：

>>> df.groupby('B').aggregate({'D':np.sum, 'E':np.mean})
          E         D
B                    
A -0.524178  1.810847
B -0.443031  2.762190
C  0.078460  0.867519

Answer 3

您可以通过传递判决将特定函数应用到特定列。

pd.pivot_table(df, values=['D','E'], rows=['B'], aggfunc={'D':np.sum, 'E':np.mean})