Gruppieren von Daten in einem Datenrahmen aus mehreren Spalten (einschließlich einer automatisch generierten Spalte)

Question

Ich versuche, einen Index aus zwei Spalten in einem Pandas-Dataframe zu erstellen. Allerdings möchte ich zunächst die Werte in einer der Spalten "bunkern", bevor ich die "bucket" -Werte im Index verwende.

Der folgende Code helfen weiter erläutern sollte:

import numpy as np 
import pandas as pd 

# No error checking, pseudocode ... 
def bucket_generator(source_data, colname, step_size): 
    # create bucket column (string) 
    source_data['bucket'] = '' 

    # obtain the series to operate on 
    series = source_data['colname'] 

    # determine which bucket number each cell in series would belong to, 
    # by dividing the cell value by the step_size 

    # Naive way would be to iterate over cells in series, generating a 
    # bucket label like "bucket_{0:+}".format(cell_value/step_size), 
    # then stick it in a cell in the bucket column, but there must be a more 
    # 'dataframe' way of doing it, rather than looping 





data = {'a': (10,3,5,7,15,20,10,3,5,7,19,5,7,5,10,5,3,7,20,20), 
     'b': (98.5,107.2,350,211.2,120.5,-70.8,135.9,205.1,-12.8,280.5,-19.7,77.2,88.2,69.2,101.2,-302. 
     4,-79.8,-257.6,89.6,95.7), 
     'c': (12.5,23.4,11.5,45.2,17.6,19.5,0.25,33.6,18.9,6.5,12.5,26.2,5.2,0.3,7.2,8.9,2.1,3.1,19.1,2 
     0.2) 
     } 

df = pd.DataFrame(data) 

df 

    a  b  c 
0 10 98.5 12.50 
1 3 107.2 23.40 
2 5 350.0 11.50 
3 7 211.2 45.20 
4 15 120.5 17.60 
5 20 -70.8 19.50 
6 10 135.9 0.25 
7 3 205.1 33.60 
8 5 -12.8 18.90 
9 7 280.5 6.50 
10 19 -19.7 12.50 
11 5 77.2 26.20 
12 7 88.2 5.20 
13 5 69.2 0.30 
14 10 101.2 7.20 
15 5 -302.4 8.90 
16 3 -79.8 2.10 
17 7 -257.6 3.10 
18 20 89.6 19.10 
19 20 95.7 20.20 

Dies ist, was ich tun möchte:

1. korrekt Funktion von cols bucket_generator
2. Gruppe die Datenrahmen Daten implementieren 'a' THEN 'bucket' Label
3. Wählen Sie Zeilen aus dem Dataframe für einen bestimmten Wert (ganze Zahl) in der Spalte 'a' der Spalte AND bucket 'in der Bucket-Spalte aus.

Answer 1

Neue Antwort

mich auf, was OP fragte nach

def bucket_generator(source_data, colname, step_size): 
    series = source_data[colname] 
    source_data['bucket'] = 'bucket_' + (series // step_size).astype(int).astype(str) 

data = {'a': (10,3,5,7,15,20,10,3,5,7,19,5,7,5,10,5,3,7,20,20), 
     'b': (98.5,107.2,350,211.2,120.5,-70.8,135.9,205.1,-12.8,280.5,-19.7,77.2,88.2,69.2,101.2,-302.4,-79.8,-257.6,89.6,95.7), 
     'c': (12.5,23.4,11.5,45.2,17.6,19.5,0.25,33.6,18.9,6.5,12.5,26.2,5.2,0.3,7.2,8.9,2.1,3.1,19.1,20.2) 
     } 

df = pd.DataFrame(data) 
bucket_generator(df, 'a', 5) 

df1 = df.set_index(['a', 'bucket']).sort_index(kind='mergesort') 
print(df1.xs((3, 'bucket_0')).reset_index()) 

dob = {bucket: group for bucket, group in df.groupby(['a', 'bucket'])} 
print(dob[(3, 'bucket_0')]) 

    a bucket  b  c 
0 3 bucket_0 107.2 23.4 
1 3 bucket_0 205.1 33.6 
2 3 bucket_0 -79.8 2.1 
    a  b  c bucket 
1 3 107.2 23.4 bucket_0 
7 3 205.1 33.6 bucket_0 
16 3 -79.8 2.1 bucket_0 

Alter Antwort

• Assign den Index der df eine Liste der Ebenen, die Sie als Indexebene wollen.
• Verwenden pd.qcut mit dem bucketizing
• zu helfen, eine Liste Verständnis Verwendung mit der Kennzeichnung

---

def enlabeler(s, n): 
    return ['{}_{}'.format(s, i) for i in range(n)] 

df.index = [ 
    pd.qcut(df.a, 3, enlabeler('a', 3)), 
    pd.qcut(df.b, 3, enlabeler('b', 3)), 
    pd.qcut(df.c, 3, enlabeler('c', 3)) 
] 

print(df) 

---

ein wenig mehr dynamisch und mit einer Teilmenge zu helfen der Spalten

def enlabeler(s, n): 
    return ['{}_{}'.format(s, i) for i in range(n)] 

def cutcol(c, n): 
    return pd.qcut(c, n, enlabeler(c.name, n)) 

df.index = df[['a', 'b']].apply(cutcol, n=3).values.T.tolist()