web-dev-qa-db-fra.com

Python pandas équivalent à R groupby mutate

Donc dans R quand j'ai un bloc de données composé de disons 4 colonnes, appelez-le df et que je veux calculer le rapport par produit de somme d'un groupe, je peux le faire de cette manière:

// generate data
df = data.frame(a=c(1,1,0,1,0),b=c(1,0,0,1,0),c=c(10,5,1,5,10),d=c(3,1,2,1,2));
| a   b   c    d |
| 1   1   10   3 |
| 1   0   5    1 |
| 0   0   1    2 |
| 1   1   5    1 |
| 0   0   10   2 |
// compute sum product ratio
df = df%>% group_by(a,b) %>%
      mutate(
          ratio=c/sum(c*d)
      );
| a   b   c    d  ratio |
| 1   1   10   3  0.286 |
| 1   1   5    1  0.143 |
| 1   0   5    1  1     |
| 0   0   1    2  0.045 |
| 0   0   10   2  0.454 |

Mais en python j'ai besoin de recourir à des boucles. Je sais qu'il devrait y avoir une manière plus élégante que les boucles brutes en python, quelqu'un a-t-il des idées?

pythonrpandasdplyr
16
asosnovsky

Cela peut être fait avec une syntaxe similaire avec groupby() et apply():

df['ratio'] = df.groupby(['a','b'], group_keys=False).apply(lambda g: g.c/(g.c * g.d).sum())

enter image description here

20
Psidom

Selon cela thread sur pandas github nous pouvons utiliser la méthode transform() pour répliquer la combinaison de dplyr::groupby() et dplyr::mutate(). Pour cet exemple, il ressemblerait à ceci:

df = pd.DataFrame( dict( a=(1,1,0,1,0)
                        , b=(1,0,0,1,0)
                        , c=(10,5,1,5,10)
                        , d=(3,1,2,1,2) ) ) \
    .assign( prod_c_d = lambda x: x['c'] * x['d']
            , ratio = lambda x: x['c'] / x.groupby(['a','b']) \
                      .transform('sum')['prod_c_d']  )

Cet exemple utilise chaînage de la méthode pandas . Pour plus d'informations sur l'utilisation du chaînage de méthodes pour répliquer les workflows dplyr, consultez ceci blogpost .

La méthode utilisant apply() et groupby() ne fonctionne pas pour moi car elle ne semble pas être adaptable. Par exemple, cela ne fonctionne pas si nous supprimons g.c/ De l'expression lambda.

df['ratio'] = df.groupby(['a','b'], group_keys=False)\
    .apply(lambda g: (g.c * g.d).sum() )
6
datistics