如果你想要的總人數(在這種情況下,安迪的解決方案是你想要的)
也說不清,或者如果你想轉換回進入原始數據幀。如果是後者,你可以使用transform
In [33]: cols = ['PetalLength', 'PetalWidth']
In [34]: transformed = grouped_iris[cols].transform(sum).sum(axis=1)
In [35]: iris['SumLengthWidth'] = transformed
In [36]: iris.head()
Out[36]:
SepalLength SepalWidth PetalLength PetalWidth Name SumLengthWidth
0 5.1 3.5 1.4 0.2 Iris-setosa 85.4
1 4.9 3.0 1.4 0.2 Iris-setosa 85.4
2 4.7 3.2 1.3 0.2 Iris-setosa 85.4
3 4.6 3.1 1.5 0.2 Iris-setosa 85.4
4 5.0 3.6 1.4 0.2 Iris-setosa 85.4
編輯:一般情況下,例如
在一般情況下,一個數據幀df
,與sum
聚集GROUPBY提供了各組的總和
In [47]: df
Out[47]:
Name val1 val2
0 foo 6 3
1 bar 17 4
2 foo 16 6
3 bar 7 3
4 foo 6 13
5 bar 7 1
In [48]: grouped = df.groupby('Name')
In [49]: grouped.agg(sum)
Out[49]:
val1 val2
Name
bar 31 8
foo 28 22
就你而言,你有興趣在行上對這些數據進行求和:
In [50]: grouped.agg(sum).sum(axis=1)
Out[50]:
Name
bar 39
foo 50
但是,這隻給你2個數字;每組1個。在一般情況下,如果你想投射回至原數據幀這兩個數字,要使用transform
:
In [51]: grouped.transform(sum)
Out[51]:
val1 val2
0 28 22
1 31 8
2 28 22
3 31 8
4 28 22
5 31 8
注意這些值是如何完全相同的由agg
,但產生的值是它與原來的df
具有相同的尺寸。還要注意每個其他值是如何重複的,因爲行[0,2,4]和[1,3,5]是相同的組。在你的情況下,你需要兩個值的總和,所以你可以在行之間進行總和。
In [52]: grouped.transform(sum).sum(axis=1)
Out[52]:
0 50
1 39
2 50
3 39
4 50
5 39
現在有一系列的相同長度的原始數據幀,這樣你就可以將它早在一列(或做你用它喜歡):
In [53]: df['val1 + val2 by Name'] = grouped.transform(sum).sum(axis=1)
In [54]: df
Out[54]:
Name val1 val2 val1 + val2 by Name
0 foo 6 3 50
1 bar 17 4 39
2 foo 16 6 50
3 bar 7 3 39
4 foo 6 13 50
5 bar 7 1 39
你能解釋更多什麼'grouped_iris [cols] .transform(sum)'在這裏正在做什麼以及'transform'通常如何使用?查看其文檔後,我仍然感到困惑。謝謝。 – user248237dfsf 2013-02-25 05:22:11
更清楚了嗎? – beardc 2013-02-25 12:43:32