Преобразование вывода Pandas GroupBy из Series в DataFrame

Ответ 1

g1 здесь находится DataFrame. Он имеет иерархический индекс, хотя:

In [19]: type(g1)
Out[19]: pandas.core.frame.DataFrame

In [20]: g1.index
Out[20]: 
MultiIndex([('Alice', 'Seattle'), ('Bob', 'Seattle'), ('Mallory', 'Portland'),
       ('Mallory', 'Seattle')], dtype=object)

Возможно, вам нужно что-то вроде этого?

In [21]: g1.add_suffix('_Count').reset_index()
Out[21]: 
      Name      City  City_Count  Name_Count
0    Alice   Seattle           1           1
1      Bob   Seattle           2           2
2  Mallory  Portland           2           2
3  Mallory   Seattle           1           1

Или что-то вроде:

In [36]: DataFrame({'count' : df1.groupby( [ "Name", "City"] ).size()}).reset_index()
Out[36]: 
      Name      City  count
0    Alice   Seattle      1
1      Bob   Seattle      2
2  Mallory  Portland      2
3  Mallory   Seattle      1

Ответ 2

Я хочу немного изменить ответ, заданный Уэсом, потому что версия 0.16.2 требует as_index=False. Если вы не установите его, вы получите пустой фрейм данных.

Источник:

Функции агрегации не будут возвращать группы, по которым вы агрегируете, если они называются столбцами, когда as_index=True, по умолчанию. Сгруппированные столбцы будут индексами возвращаемого объекта.

Передача as_index=False вернет группы, по которым вы агрегируете, если они называются столбцами.

Агрегирующие функции - это те, которые уменьшают размерность возвращаемых объектов, например: mean, sum, size, count, стандартное std, var, sem, describe, first, last, nth, min, max. Это то, что происходит, когда вы делаете, например, DataFrame.sum() и возвращаете Series.

nth может действовать как редуктор или фильтр, см. здесь.

import pandas as pd

df1 = pd.DataFrame({"Name":["Alice", "Bob", "Mallory", "Mallory", "Bob" , "Mallory"],
                    "City":["Seattle","Seattle","Portland","Seattle","Seattle","Portland"]})
print df1
#
#       City     Name
#0   Seattle    Alice
#1   Seattle      Bob
#2  Portland  Mallory
#3   Seattle  Mallory
#4   Seattle      Bob
#5  Portland  Mallory
#
g1 = df1.groupby(["Name", "City"], as_index=False).count()
print g1
#
#                  City  Name
#Name    City
#Alice   Seattle      1     1
#Bob     Seattle      2     2
#Mallory Portland     2     2
#        Seattle      1     1
#

РЕДАКТИРОВАТЬ:

В версии 0.17.1 и выше вы можете использовать subset в count и reset_index с name параметра в size:

print df1.groupby(["Name", "City"], as_index=False ).count()
#IndexError: list index out of range

print df1.groupby(["Name", "City"]).count()
#Empty DataFrame
#Columns: []
#Index: [(Alice, Seattle), (Bob, Seattle), (Mallory, Portland), (Mallory, Seattle)]

print df1.groupby(["Name", "City"])[['Name','City']].count()
#                  Name  City
#Name    City                
#Alice   Seattle      1     1
#Bob     Seattle      2     2
#Mallory Portland     2     2
#        Seattle      1     1

print df1.groupby(["Name", "City"]).size().reset_index(name='count')
#      Name      City  count
#0    Alice   Seattle      1
#1      Bob   Seattle      2
#2  Mallory  Portland      2
#3  Mallory   Seattle      1

Разница между count и size заключается в том, что size учитывает значения NaN, а count - нет.

Ответ 3

Просто это должно выполнить задачу:

import pandas as pd

grouped_df = df1.groupby( [ "Name", "City"] )

pd.DataFrame(grouped_df.size().reset_index(name = "Group_Count"))

Здесь grouped_df.size() выводит уникальный счетчик groupby, а метод reset_index() сбрасывает имя столбца, который вы хотите. Наконец, функция pandas Dataframe() вызывается для создания объекта DataFrame.

Ответ 4

Возможно, я неправильно понял вопрос, но если вы хотите преобразовать groupby обратно в фреймворк данных, вы можете использовать .to_frame(). Я хотел reset индекс, когда я это сделал, поэтому включил эту часть.

Пример кода, не связанного с вопросом

df = df['TIME'].groupby(df['Name']).min()
df = df.to_frame()
df = df.reset_index(level=['Name',"TIME"])

Ответ 5

Я нашел, что это сработало для меня.

import numpy as np
import pandas as pd

df1 = pd.DataFrame({ 
    "Name" : ["Alice", "Bob", "Mallory", "Mallory", "Bob" , "Mallory"] , 
    "City" : ["Seattle", "Seattle", "Portland", "Seattle", "Seattle", "Portland"]})

df1['City_count'] = 1
df1['Name_count'] = 1

df1.groupby(['Name', 'City'], as_index=False).count()

Ответ 6

Я агрегировал с Qty мудрых данных и сохранить в dataframe

almo_grp_data = pd.DataFrame({'Qty_cnt' :
almo_slt_models_data.groupby( ['orderDate','Item','State Abv']
          )['Qty'].sum()}).reset_index()

Ответ 7

Ниже решение может быть проще:

df1.reset_index().groupby( [ "Name", "City"],as_index=False ).count()

Ответ 8

Ключ должен использовать метод reset_index().

Использование:

import pandas

df1 = pandas.DataFrame( { 
    "Name" : ["Alice", "Bob", "Mallory", "Mallory", "Bob" , "Mallory"] , 
    "City" : ["Seattle", "Seattle", "Portland", "Seattle", "Seattle", "Portland"] } )

g1 = df1.groupby( [ "Name", "City"] ).count().reset_index()

Теперь у вас есть новый фрейм данных в g1:

Ответ 9

Эти решения только частично помогли мне, потому что я делал несколько агрегаций. Вот пример выходных данных моей группы, которые я хотел преобразовать в фрейм данных:

Поскольку я хотел большего, чем количество, предоставляемое reset_index(), я написал ручной метод для преобразования изображения выше в кадр данных. Я понимаю, что это не самый питонский/пандский способ сделать это, поскольку он довольно многословен и явен, но это было все, что мне было нужно. В основном, используйте метод reset_index(), описанный выше, чтобы запустить фрейм данных "scaffolding", затем выполните цикл по групповым спариваниям в сгруппированном фрейме данных, извлеките индексы, выполните вычисления для несгруппированного фрейма данных и установите значение в новом агрегированном фрейме данных.,

df_grouped = df[['Salary Basis', 'Job Title', 'Hourly Rate', 'Male Count', 'Female Count']]
df_grouped = df_grouped.groupby(['Salary Basis', 'Job Title'], as_index=False)

# Grouped gives us the indices we want for each grouping
# We cannot convert a groupedby object back to a dataframe, so we need to do it manually
# Create a new dataframe to work against
df_aggregated = df_grouped.size().to_frame('Total Count').reset_index()
df_aggregated['Male Count'] = 0
df_aggregated['Female Count'] = 0
df_aggregated['Job Rate'] = 0

def manualAggregations(indices_array):
    temp_df = df.iloc[indices_array]
    return {
        'Male Count': temp_df['Male Count'].sum(),
        'Female Count': temp_df['Female Count'].sum(),
        'Job Rate': temp_df['Hourly Rate'].max()
    }

for name, group in df_grouped:
    ix = df_grouped.indices[name]
    calcDict = manualAggregations(ix)

    for key in calcDict:
        #Salary Basis, Job Title
        columns = list(name)
        df_aggregated.loc[(df_aggregated['Salary Basis'] == columns[0]) & 
                          (df_aggregated['Job Title'] == columns[1]), key] = calcDict[key]

Если вам не подходит словарь, вычисления могут быть применены встроенными в цикле for:

    df_aggregated['Male Count'].loc[(df_aggregated['Salary Basis'] == columns[0]) & 
                                (df_aggregated['Job Title'] == columns[1])] = df['Male Count'].iloc[ix].sum()