Объединить дублированные столбцы в DataFrame

Если у меня есть фрейм данных, в котором есть столбцы с одинаковыми именами, есть ли способ объединить столбцы с одинаковыми именами с какой-либо функцией (например, суммой)?

Например с:

In [186]:

df["NY-WEB01"].head()
Out[186]:
                NY-WEB01    NY-WEB01
DateTime        
2012-10-18 16:00:00  5.6     2.8
2012-10-18 17:00:00  18.6    12.0
2012-10-18 18:00:00  18.4    12.0
2012-10-18 19:00:00  18.2    12.0
2012-10-18 20:00:00  19.2    12.0

Как можно свернуть столбцы NY-WEB01 (есть группа дубликатов столбцов, а не только NY-WEB01), суммируя каждую строку, где имя столбца совпадает?

Ответ 1

Я считаю, что это делает то, что вам нужно:

df.groupby(lambda x:x, axis=1).sum()

Альтернативно, от 3% до 15% быстрее в зависимости от длины df:

df.groupby(df.columns, axis=1).sum()

EDIT: Чтобы расширить это значение за пределы суммы, используйте .agg() (сокращение от .aggregate()):

df.groupby(df.columns, axis=1).agg(numpy.max)

Ответ 2

Здесь вам не нужна лямбда, и вам не нужно явно запрашивать df.columns; groupby принимает аргумент level вы можете указать вместе с аргументом axis. Это чище, ИМО.

# Setup
np.random.seed(0)
df = pd.DataFrame(np.random.choice(50, (5, 5)), columns=list('AABBB'))
df

    A   A   B   B   B
0  44  47   0   3   3
1  39   9  19  21  36
2  23   6  24  24  12
3   1  38  39  23  46
4  24  17  37  25  13

df.groupby(level=0, axis=1).sum()

    A    B
0  91    6
1  48   76
2  29   60
3  39  108
4  41   75

Обработка MultiIndex
Еще один случай, который следует учитывать при работе со столбцами MultiIndex. Рассматривать

df.columns = pd.MultiIndex.from_arrays([['one']*3 + ['two']*2, df.columns])
df
  one         two    
    A   A   B   B   B
0  44  47   0   3   3
1  39   9  19  21  36
2  23   6  24  24  12
3   1  38  39  23  46
4  24  17  37  25  13

Чтобы выполнить агрегацию на верхних уровнях, используйте

df.groupby(level=1, axis=1).sum()

    A    B
0  91    6
1  48   76
2  29   60
3  39  108
4  41   75

или, если производится агрегация только по верхнему уровню, используйте

df.groupby(level=[0, 1], axis=1).sum()

  one     two
    A   B   B
0  91   0   6
1  48  19  57
2  29  24  36
3  39  39  69
4  41  37  38

Удаление дубликатов столбцов
Если вы пришли сюда, чтобы узнать, как просто отбросить дублирующиеся столбцы (без выполнения агрегации), используйте Index.duplicated:

df.loc[:,~df.columns.duplicated()]

    A   B
0  44   0
1  39  19
2  23  24
3   1  39
4  24  37

Или, чтобы сохранить последние, укажите keep='last' (по умолчанию 'first'),

df.loc[:,~df.columns.duplicated(keep='last')]

    A   B
0  47   3
1   9  36
2   6  12
3  38  46
4  17  13

groupby варианты для двух вышеупомянутых решений: df.groupby(level=0, axis=1).first() и ....last() соответственно.

Ответ 3

Здесь возможное решение для общих проще функций агрегации, таких как sum, mean, median, max, min, std - использовать только параметры axis=1 для работы с колоннами и level:

#coldspeed samples
np.random.seed(0)
df = pd.DataFrame(np.random.choice(50, (5, 5)), columns=list('AABBB'))
print (df)

print (df.sum(axis=1, level=0))
    A    B
0  91    6
1  48   76
2  29   60
3  39  108
4  41   75

df.columns = pd.MultiIndex.from_arrays([['one']*3 + ['two']*2, df.columns])

print (df.sum(axis=1, level=1))
    A    B
0  91    6
1  48   76
2  29   60
3  39  108
4  41   75

print (df.sum(axis=1, level=[0,1]))
  one     two
    A   B   B
0  91   0   6
1  48  19  57
2  29  24  36
3  39  39  69
4  41  37  38

Аналогично это работает для индекса, затем используйте axis=0 вместо axis=1:

np.random.seed(0)
df = pd.DataFrame(np.random.choice(50, (5, 5)), columns=list('ABCDE'), index=list('aabbc'))
print (df)
    A   B   C   D   E
a  44  47   0   3   3
a  39   9  19  21  36
b  23   6  24  24  12
b   1  38  39  23  46
c  24  17  37  25  13

print (df.min(axis=0, level=0))
    A   B   C   D   E
a  39   9   0   3   3
b   1   6  24  23  12
c  24  17  37  25  13

df.index = pd.MultiIndex.from_arrays([['bar']*3 + ['foo']*2, df.index])

print (df.mean(axis=0, level=1))
      A     B     C     D     E
a  41.5  28.0   9.5  12.0  19.5
b  12.0  22.0  31.5  23.5  29.0
c  24.0  17.0  37.0  25.0  13.0

print (df.max(axis=0, level=[0,1]))
        A   B   C   D   E
bar a  44  47  19  21  36
    b  23   6  24  24  12
foo b   1  38  39  23  46
    c  24  17  37  25  13

Если необходимо использовать другие функции, такие как first, last, size, count используйте coldspeed answer