如何根據Pandas DataFrame中其他列的值僅累加列的某些元素？

Question

假設我們有一個熊貓數據框類似如下：

df=pd.DataFrame({'name':['Ind','Chn','SG','US','SG','US','Ind','Chn','Fra','Fra'],'a':[5,6,3,4,7,12,66,78,65,100]})

我想總結列的「A」爲列「名」的每個不同的值的值。

我試過這段代碼：

for i in df['name'].unique(): df['tot']=df[(df.name==i)]['a'].sum()

在出現的新列，「TOT」列僅包含所有行的「名字」，即（僅適用於「法蘭克福機場」）去年不同的價值的總和而不是[Ind，US，Fra等]中的每一個的單獨值。我希望在新列（tot）中爲'name'列的每個唯一值創建一個單元格，並最終希望通過每個唯一值的總和對整個日期框架'df'進行排序。

我使用的字典試過，

dc={} 
for i in df['name'].unique(): 
    dc[i]=dc.get(i,0)+(df[(df.name==i)]['a'].sum()) 

我得到期望的結果，雖然在詞典中，所以我不知道如何排序DF從這裏基於字典「DC」的值。

{ '工業'：71， 'CHN'：84， 'SG'：10， 'US'：16， '弗拉'：165}

有誰請解釋的過程中以儘可能多的方式鍛鍊這種情景？處理大量數據時，哪種方法最有效？謝謝！

編輯：我的預期輸出只是將數據框df按新列'tot'的值排序。或者像查找與'tot'列中的最大值或最小值關聯的行。

Answer 1

您正在尋找groupby

df=pd.DataFrame({'name':['Ind','Chn','SG','US','SG','US','Ind','Chn','Fra','Fra'],'a':[5,6,3,4,7,12,66,78,65,100]}) 
df.groupby('name').a.sum() 

Out[950]: 
name 
Chn  84 
Fra 165 
Ind  71 
SG  10 
US  16 
Name: a, dtype: int64 

編輯：

df.assign(total=df.name.map(df.groupby('name').a.sum())).sort_values(['name','total']) 


Out[964]: 
    a name total 
1 6 Chn  84 
7 78 Chn  84 
8 65 Fra 165 
9 100 Fra 165 
0 5 Ind  71 
6 66 Ind  71 
2 3 SG  10 
4 7 SG  10 
3 4 US  16 

編輯2：

df.groupby('name').a.sum().sort_values(ascending=True) 
Out[1111]: 
name 
SG  10 
US  16 
Ind  71 
Chn  84 
Fra 165 
Name: a, dtype: int64 
df.groupby('name').a.sum().sort_values(ascending=False) 
Out[1112]: 
name 
Fra 165 
Chn  84 
Ind  71 
US  16 
SG  10 
Name: a, dtype: int64 

(df.groupby('name').a.sum().sort_values(ascending=False)).index.values 
Out[1119]: array(['Fra', 'Chn', 'Ind', 'US', 'SG'], dtype=object) 

Answer 2

IIUIC，用groupby和transform

In [3716]: df['total'] = df.groupby('name')['a'].transform('sum') 

In [3717]: df 
Out[3717]: 
    a name total 
0 5 Ind  71 
1 6 Chn  84 
2 3 SG  10 
3 4 US  16 
4 7 SG  10 
5 12 US  16 
6 66 Ind  71 
7 78 Chn  84 
8 65 Fra 165 
9 100 Fra 165 

而且，使用sort_values

In [3719]: df.sort_values(by='total', ascending=False) 
Out[3719]: 
    a name total 
8 65 Fra 165 
9 100 Fra 165 
1 6 Chn  84 
7 78 Chn  84 
0 5 Ind  71 
6 66 Ind  71 
3 4 US  16 
5 12 US  16 
2 3 SG  10 
4 7 SG  10