web-dev-qa-db-ja.com

pandas）の単純なクロス集計

pandas に出くわしましたが、やりたい簡単な計算には理想的です。私はSASのバックグラウンドを持っていて、procfreqを置き換えると考えていました-将来やりたいことにスケールするようです。しかし、私にはできません。簡単な作業に頭を悩ませているようです（pivot/crosstab/indexingを見ることになっているのかどうかはわかりません-PanelまたはDataFramesなどが必要かどうか。 。）誰かが私に次の方法についていくつかの指針を教えてもらえますか？

2つのCSVファイルがあります（1つは2010年用、もう1つは2011年用-単純なトランザクションデータ）-列はカテゴリと金額です

2010年：

AB,100.00
AB,200.00
AC,150.00
AD,500.00

2011年：

AB,500.00
AC,250.00
AX,900.00

これらは別々のDataFrameオブジェクトにロードされます。

私がやりたいのは、カテゴリ、カテゴリの合計、およびカテゴリの頻度を取得することです。例：

2010年：

AB,300.00,2
AC,150.00,1
AD,500.00,1

2011年：

AB,500.00,1
AC,250.00,1
AX,900.00,1

pivot/crosstab/groupby/an indexなどを使用する必要があるかどうかがわかりません...合計または頻度のいずれかを取得できます-両方を取得できないようです...使用するため、少し複雑になります月ごとにやりたいのですが、誰かが親切に正しいテクニックや方向性を教えてくれれば、そこから行けると思います。

pythonpandasdataframepivot-table
24
Jon Clements

内容を含む2010.csvというファイルがあると仮定します

category,value
AB,100.00
AB,200.00
AC,150.00
AD,500.00

次に、適用する機能を使用して groupbyに続く複数の集計関数 、次のように言うことができます。

import pandas
data_2010 = pandas.read_csv("/path/to/2010.csv")
data_2010.groupby("category").agg([len, sum])

次のような結果が得られるはずです

          value     
            len  sum
category            
AB            2  300
AC            1  150
AD            1  500

Wesは、sumが最適化されていること、およびおそらくnp.sumを使用する必要があることを指摘する可能性が高いことに注意してください。

12
Jeff Hammerbacher

v0.21回答

pivot_tableをindexパラメーターとともに使用します。

df.pivot_table(index='category', aggfunc=[len, sum])

           len   sum
         value value
category            
AB           2   300
AC           1   150
AD           1   500

<= v0.12

興味のある人のためにpivot_tableを使用してこれを行うことが可能です：

In [8]: df
Out[8]: 
  category  value
0       AB    100
1       AB    200
2       AC    150
3       AD    500

In [9]: df.pivot_table(rows='category', aggfunc=[len, np.sum])
Out[9]: 
            len    sum
          value  value
category              
AB            2    300
AC            1    150
AD            1    500

結果の列には階層的なインデックスが付けられていることに注意してください。複数のデータ列がある場合、次のような結果が得られます。

In [12]: df
Out[12]: 
  category  value  value2
0       AB    100       5
1       AB    200       5
2       AC    150       5
3       AD    500       5

In [13]: df.pivot_table(rows='category', aggfunc=[len, np.sum])
Out[13]: 
            len            sum        
          value  value2  value  value2
category                              
AB            2       2    300      10
AC            1       1    150       5
AD            1       1    500       5

__builtin__.sumとnp.sumを使用する主な理由は、後者からNA処理を取得するためです。おそらくPythonビルトインをインターセプトする可能性があり、今それについてメモします。

16
Wes McKinney