Finden Sie Median von Werten basierend auf mehreren Bezeichnern und fügen Sie Zeile

Question

Ich bin ein Neuling in diesem und bin auf der Suche nach dem folgenden Problem zu lösen. Ich habe einen Datensatz mit dem Suchrang von SKUs basierend auf mehreren Stichwortsuchen, die jeden Tag im Laufe einer Woche auftreten.

Ich möchte in der Lage sein, eine Spalte mit meinen Daten hinzuzufügen, in dem ich die median (oder mean oder std) diese Suchrang der SKU für diesen besonderen Tag.

import csv 
import numpy as np 
import pandas as pd 
from pandas import DataFrame 

df = pd.read_csv('searchdata.csv') 

dfdataIwant = df[['Date', 'SKU', 'Search_Rank']] 
print dfdataIwant.groupby(['Date','SKU']).median() 

Dies wird mir die median Werte die ich suche. Allerdings möchte ich den Wert median nehmen und in eine neue Spalte einfügen. Die median Werte, die ich in diese Spalte einfüge, sollten mit dem korrekten Datum und der richtigen SKU übereinstimmen.

Answer 1

Es gibt .transform(), wenn Sie die .grouby() Aggregation Ergebnis wieder auf den ursprünglichen DataFrame (see docs) zuweisen möchten:

df['median'] = data.groupby(['Date','SKU'])['Search Rank'].transform('median') 

Verfügbar für die anderen Statistiken, die Sie auch erwähnen. Beispiel:

df = pd.DataFrame(data={'rank': np.random.randint(low=1, high=100, size=500), 
         'SKU': np.random.choice(list('ABCDE'), replace=True, size=500), 
         'date': np.array([d for d in repeat(pd.date_range(start=date(2016,1,1), freq='D', periods=20), 25)]).flatten()}) 

df['median'] = df.groupby(['date','SKU'])['rank'].transform('median') 

Ergebnisse in:

df.sort_values(['date', 'SKU', 'rank']) 

    SKU  date rank median 
460 A 2016-01-01  4 66.0 
80 A 2016-01-01 29 66.0 
400 A 2016-01-01 38 66.0 
220 A 2016-01-01 64 66.0 
480 A 2016-01-01 68 66.0 
160 A 2016-01-01 69 66.0 
200 A 2016-01-01 70 66.0 
360 A 2016-01-01 86 66.0 
280 B 2016-01-01 14 22.0 
300 B 2016-01-01 30 22.0 
380 C 2016-01-01 35 63.0 
240 C 2016-01-01 46 63.0 
440 C 2016-01-01 63 63.0 
20 C 2016-01-01 69 63.0 
340 C 2016-01-01 91 63.0 
100 D 2016-01-01 32 59.0 
40 D 2016-01-01 38 59.0 
120 D 2016-01-01 59 59.0 
320 D 2016-01-01 77 59.0 
260 D 2016-01-01 94 59.0 
0  E 2016-01-01 31 60.0 
420 E 2016-01-01 35 60.0 
140 E 2016-01-01 60 60.0 
60 E 2016-01-01 64 60.0 
180 E 2016-01-01 99 60.0 
441 A 2016-01-02 35 52.0 
281 A 2016-01-02 52 52.0 
481 A 2016-01-02 71 52.0 
341 B 2016-01-02 73 88.0 
81 B 2016-01-02 81 88.0 
.. ..  ... ...  ... 
418 D 2016-01-19 98 71.5 
38 E 2016-01-19 50 54.0 
458 E 2016-01-19 51 54.0 
478 E 2016-01-19 57 54.0 
18 E 2016-01-19 71 54.0 
439 A 2016-01-20  9 45.0 
499 A 2016-01-20 45 45.0 
99 A 2016-01-20 63 45.0 
279 B 2016-01-20 12 55.5 
339 B 2016-01-20 29 55.5 
459 B 2016-01-20 44 55.5 
379 B 2016-01-20 53 55.5 
319 B 2016-01-20 58 55.5 
39 B 2016-01-20 84 55.5 
299 B 2016-01-20 94 55.5 
119 B 2016-01-20 98 55.5 
199 C 2016-01-20 15 43.0 
159 C 2016-01-20 43 43.0 
479 C 2016-01-20 90 43.0 
259 D 2016-01-20 12 33.0 
419 D 2016-01-20 13 33.0 
59 D 2016-01-20 15 33.0 
139 D 2016-01-20 31 33.0 
79 D 2016-01-20 33 33.0 
19 D 2016-01-20 42 33.0 
239 D 2016-01-20 46 33.0 
399 D 2016-01-20 54 33.0 
219 D 2016-01-20 63 33.0 
179 E 2016-01-20 27 53.5 
359 E 2016-01-20 80 53.5