web-dev-qa-db-ja.com

pandas groupby（）。sum（）の出力から新しい列を作成するにはどうすればよいですか？

groupby計算から新しい列を作成しようとしています。以下のコードでは、各日付の正しい計算値を取得します（以下のグループを参照）が、新しい列（df['Data4']）を作成しようとすると、NaNが取得されます。そこで、すべての日付に対してData3の合計でデータフレームに新しい列を作成し、それを各日付行に適用しようとしています。たとえば、2015-05-08は2行（合計は50 + 5 = 55）であり、この新しい列では両方の行に55が必要です。

import pandas as pd
import numpy as np
from pandas import DataFrame

df = pd.DataFrame({'Date': ['2015-05-08', '2015-05-07', '2015-05-06', '2015-05-05', '2015-05-08', '2015-05-07', '2015-05-06', '2015-05-05'], 'Sym': ['aapl', 'aapl', 'aapl', 'aapl', 'aaww', 'aaww', 'aaww', 'aaww'], 'Data2': [11, 8, 10, 15, 110, 60, 100, 40],'Data3': [5, 8, 6, 1, 50, 100, 60, 120]})

group = df['Data3'].groupby(df['Date']).sum()

df['Data4'] = group
pythonpandaspandas-groupby
52
fe ner

transform を使用したい場合、dfに揃えられたインデックスを持つSeriesが返されるため、新しい列として追加できます。

In [74]:

df = pd.DataFrame({'Date': ['2015-05-08', '2015-05-07', '2015-05-06', '2015-05-05', '2015-05-08', '2015-05-07', '2015-05-06', '2015-05-05'], 'Sym': ['aapl', 'aapl', 'aapl', 'aapl', 'aaww', 'aaww', 'aaww', 'aaww'], 'Data2': [11, 8, 10, 15, 110, 60, 100, 40],'Data3': [5, 8, 6, 1, 50, 100, 60, 120]})
​
df['Data4'] = df['Data3'].groupby(df['Date']).transform('sum')
df
Out[74]:
   Data2  Data3        Date   Sym  Data4
0     11      5  2015-05-08  aapl     55
1      8      8  2015-05-07  aapl    108
2     10      6  2015-05-06  aapl     66
3     15      1  2015-05-05  aapl    121
4    110     50  2015-05-08  aaww     55
5     60    100  2015-05-07  aaww    108
6    100     60  2015-05-06  aaww     66
7     40    120  2015-05-05  aaww    121
149
EdChum

Groupby（）。Sum（）を使用して新しい列を作成するにはどうすればよいですか？

2つの方法があります-簡単な方法と、もう少し興味深い方法です。

みんなのお気に入り：GroupBy.transform() with 'sum'

@Ed Chumの答えは少し簡単にできます。 DataFrame.groupbyではなくSeries.groupbyを呼び出します。これにより、構文が単純になります。

# The setup.
df[['Date', 'Data3']]

         Date  Data3
0  2015-05-08      5
1  2015-05-07      8
2  2015-05-06      6
3  2015-05-05      1
4  2015-05-08     50
5  2015-05-07    100
6  2015-05-06     60
7  2015-05-05    120

df.groupby('Date')['Data3'].transform('sum')

0     55
1    108
2     66
3    121
4     55
5    108
6     66
7    121
Name: Data3, dtype: int64

それは少し速いです、

df2 = pd.concat([df] * 12345)

%timeit df2['Data3'].groupby(df['Date']).transform('sum')
%timeit df2.groupby('Date')['Data3'].transform('sum')

10.4 ms ± 367 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
8.58 ms ± 559 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

型破りな、しかしあなたの考察に値する：GroupBy.sum() + Series.map()

APIの興味深い特異性につまずいた。私が言うことから、これは0.20を超えるメジャーバージョンで再現できます（0.23と0.24でテストしました）。代わりにtransformの直接関数を使用し、GroupByを使用してブロードキャストする場合は、一貫してmapにかかる時間の数ミリ秒を削減できるようです。

df.Date.map(df.groupby('Date')['Data3'].sum())

0     55
1    108
2     66
3    121
4     55
5    108
6     66
7    121
Name: Date, dtype: int64

と比べて

df.groupby('Date')['Data3'].transform('sum')

0     55
1    108
2     66
3    121
4     55
5    108
6     66
7    121
Name: Data3, dtype: int64

私のテストでは、直接map関数（GroupBy、mean、min、maxなど）を使用する余裕がある場合、firstが少し高速であることが示されています。約20万件のレコードまで、ほとんどの一般的な状況で多かれ少なかれ高速です。その後、パフォーマンスは本当にデータに依存します。

（左：v0.23、右：v0.24）

知っておくと便利な代替手段であり、グループの数が少ないフレームが小さい場合に適しています。 。 。しかし、最初の選択肢としてtransformをお勧めします。とにかくこれは共有する価値があると思った。

参照用のベンチマークコード：

import perfplot

perfplot.show(
    setup=lambda n: pd.DataFrame({'A': np.random.choice(n//10, n), 'B': np.ones(n)}),
    kernels=[
        lambda df: df.groupby('A')['B'].transform('sum'),
        lambda df:  df.A.map(df.groupby('A')['B'].sum()),
    ],
    labels=['GroupBy.transform', 'GroupBy.sum + map'],
    n_range=[2**k for k in range(5, 20)],
    xlabel='N',
    logy=True,
    logx=True
)
16
cs95