pandas groupby classificar dentro de grupos

166

Quero agrupar meu quadro de dados por duas colunas e classificar os resultados agregados dentro dos grupos.

In [167]:
df

Out[167]:
count   job source
0   2   sales   A
1   4   sales   B
2   6   sales   C
3   3   sales   D
4   7   sales   E
5   5   market  A
6   3   market  B
7   2   market  C
8   4   market  D
9   1   market  E

In [168]:
df.groupby(['job','source']).agg({'count':sum})

Out[168]:
            count
job     source  
market  A   5
        B   3
        C   2
        D   4
        E   1
sales   A   2
        B   4
        C   6
        D   3
        E   7

Gostaria agora de classificar a coluna de contagem em ordem decrescente dentro de cada um dos grupos. E depois pegue apenas as três primeiras linhas. Para obter algo como:

            count
job     source  
market  A   5
        D   4
        B   3
sales   E   7
        C   6
        B   4
JoeDanger
fonte

Respostas:

147

Na verdade, o que você deseja fazer é novamente agrupar por grupo (no resultado do primeiro agrupar por grupo): classifique e pegue os três primeiros elementos por grupo.

A partir do resultado do primeiro grupo, por:

In [60]: df_agg = df.groupby(['job','source']).agg({'count':sum})

Agrupamos pelo primeiro nível do índice:

In [63]: g = df_agg['count'].groupby(level=0, group_keys=False)

Então, queremos classificar ('ordem') cada grupo e pegar os três primeiros elementos:

In [64]: res = g.apply(lambda x: x.order(ascending=False).head(3))

No entanto, para isso, existe uma função de atalho para fazer isso nlargest:

In [65]: g.nlargest(3)
Out[65]:
job     source
market  A         5
        D         4
        B         3
sales   E         7
        C         6
        B         4
dtype: int64
joris
fonte
Existe uma maneira de resumir tudo o que não está contido nos três principais resultados por grupo e adicioná-los a um grupo de origem chamado "outro" para cada trabalho?
JoeDanger
30
orderé obsoleto uso sort_valuesem vez
zthomas.nc
Obrigado pela ótima resposta. Para uma etapa posterior, haveria uma maneira de atribuir a ordem de classificação com base nos valores da coluna agrupar por? Por exemplo, classifique em ordem crescente se o valor for 'Buy' e classifique em ordem decrescente se o valor for 'Sell'.
Bowen Liu
172

Você também pode fazê-lo de uma só vez, fazendo a classificação primeiro e usando a cabeça para tirar os 3 primeiros de cada grupo.

In[34]: df.sort_values(['job','count'],ascending=False).groupby('job').head(3)

Out[35]: 
   count     job source
4      7   sales      E
2      6   sales      C
1      4   sales      B
5      5  market      A
8      4  market      D
6      3  market      B
tvashtar
fonte
13
Será que groupbygarante que a ordem é preservada?
Toto_tico 10/05
51
Parece que sim; a partir da documentação de groupby : groupby preserva a ordem das linhas dentro de cada grupo
toto_tico
10
toto_tico- Isso está correto, porém é preciso ter cuidado ao interpretar essa afirmação. A ordem das linhas DENTRO DE UM ÚNICO GRUPO é preservada, no entanto groupby possui uma instrução sort = True por padrão, o que significa que os próprios grupos podem ter sido classificados na chave. Em outras palavras, se meu quadro de dados tiver teclas (na entrada) 3 2 2 1, .. o grupo por objeto mostrará os 3 grupos na ordem 1 2 3 (classificado). Use sort = False para garantir que a ordem do grupo e a linha sejam preservadas.
user2103050
4
head (3) fornece mais de 3 resultados?
Nabin
27

Aqui está outro exemplo de como classificar os 3 primeiros na ordem de classificação e classificar dentro dos grupos:

In [43]: import pandas as pd                                                                                                                                                       

In [44]:  df = pd.DataFrame({"name":["Foo", "Foo", "Baar", "Foo", "Baar", "Foo", "Baar", "Baar"], "count_1":[5,10,12,15,20,25,30,35], "count_2" :[100,150,100,25,250,300,400,500]})

In [45]: df                                                                                                                                                                        
Out[45]: 
   count_1  count_2  name
0        5      100   Foo
1       10      150   Foo
2       12      100  Baar
3       15       25   Foo
4       20      250  Baar
5       25      300   Foo
6       30      400  Baar
7       35      500  Baar


### Top 3 on sorted order:
In [46]: df.groupby(["name"])["count_1"].nlargest(3)                                                                                                                               
Out[46]: 
name   
Baar  7    35
      6    30
      4    20
Foo   5    25
      3    15
      1    10
dtype: int64


### Sorting within groups based on column "count_1":
In [48]: df.groupby(["name"]).apply(lambda x: x.sort_values(["count_1"], ascending = False)).reset_index(drop=True)
Out[48]: 
   count_1  count_2  name
0       35      500  Baar
1       30      400  Baar
2       20      250  Baar
3       12      100  Baar
4       25      300   Foo
5       15       25   Foo
6       10      150   Foo
7        5      100   Foo
Surya
fonte
9

Tente isso em vez disso

maneira simples de fazer 'agrupar' e classificar em ordem decrescente

df.groupby(['companyName'])['overallRating'].sum().sort_values(ascending=False).head(20)
SSCSWAPNIL
fonte
8

Se você não precisar somar uma coluna, use a resposta de @ tvashtar. Se você precisar somar, pode usar a resposta do @joris 'ou esta que é muito semelhante a ela.

df.groupby(['job']).apply(lambda x: (x.groupby('source')
                                      .sum()
                                      .sort_values('count', ascending=False))
                                     .head(3))
Ted Petrou
fonte