熊猫-计算多个条件

Question

在python中有一个数据框：

CASE    TYPE
1          A
1          A
1          A
2          A
2          B
3          B
3          B
3          B

我如何创建一个结果数据框，将产生所有案例，如果案例仅分配了“ A”，则为“ A”，如果仅分配“ B”则为“ B”，如果案例同时为A和B，则为“ MIXED” ？

结果将是：

Case     Type
1        A
2        MIXED
3        B

Answer 1

这是一个选项，我们首先按CASE组收集TYPE作为列表，然后检查唯一TYPE的length ，如果它大于1 ，则返回MIXED否则返回TYPE本身：

import pandas as pd
import numpy as np
groups = df.groupby('CASE').agg(lambda g: [g.TYPE.unique()]).
            apply(lambda row: np.where(len(row.TYPE) > 1, 'MIXED', row.TYPE[0]), axis = 1)
groups

# CASE
# 1           A
# 2       MIXED
# 3           B
# dtype: object

Answer 2

df['NTYPES'] = df.groupby('CASE').transform(lambda x: x.nunique())
df.loc[df.NTYPES > 1, 'TYPE'] = 'MIXED'
df.groupby('TYPE', as_index=False).first().drop('NTYPES', 1)

    TYPE  CASE
0      A     1
1      B     3
2  MIXED     2

Answer 3

这有点丑陋，但不是那么慢的解决方案：

In [154]: df
Out[154]:
    CASE TYPE
0      1    A
1      1    A
2      1    A
3      2    A
4      2    B
5      3    B
6      3    B
7      3    B
8      4    C
9      4    C
10     4    B

In [155]: %paste
(df.groupby('CASE')['TYPE']
   .apply(lambda x: x.head(1) if x.nunique() == 1 else pd.Series(['MIX']))
   .reset_index()
   .drop('level_1', 1)
)
## -- End pasted text --
Out[155]:
   CASE TYPE
0     1    A
1     2  MIX
2     3    B
3     4  MIX

时间：针对80万行DF：

In [191]: df = pd.concat([df] * 10**5, ignore_index=True)

In [192]: df.shape
Out[192]: (800000, 3)

In [193]: %timeit Psidom(df)
1 loop, best of 3: 235 ms per loop

In [194]: %timeit capitalistpug(df)
1 loop, best of 3: 419 ms per loop

In [195]: %timeit Alberto_Garcia_Raboso(df)
10 loops, best of 3: 112 ms per loop

In [196]: %timeit MaxU(df)
10 loops, best of 3: 80.4 ms per loop

Answer 4

这是一个（经过过度设计的）解决方案，可以避免在组和DataFrame.apply循环（这些过程很慢，因此，如果您的数据集足够大，避免它们可能变得很重要）。

import pandas as pd
df = pd.DataFrame({'CASE': [1]*3 + [2]*2 + [3]*3,
                   'TYPE': ['A']*4 + ['B']*4})

我们按CASE分组并计算TYPE的相对频率为A或B ：

grouped = df.groupby('CASE')
vc = (grouped['TYPE'].value_counts(normalize=True)
                     .unstack(level=0)
                     .fillna(0))

这是vc样子

CASE   1    2    3
TYPE
A      1.0  0.5  0.0
B      0.0  0.5  0.0

请注意，所有信息都包含在第一行中。 用pd.cut将所述行切成垃圾箱可得到所需结果：

tolerance = 1e-10
bins = [-tolerance, tolerance, 1-tolerance, 1+tolerance]
types = pd.cut(vc.loc['A'], bins=bins, labels=['B', 'MIXED', 'A'])

我们得到：

CASE
1        A
2    MIXED
3        B
Name: A, dtype: category
Categories (3, object): [B < MIXED < A]

为了更好地衡量，我们可以重命名types系列：

types.name = 'TYPE'