Pandas groupby/pivot dataframe 客户订单

Question

现在我有一个看起来像这样的 DataFrame：

样本输入

    name    email           product     qty_ordered
0   jane    jane@email.com  Red Shirt   2
1   john    john@email.com  Green Shirt 2
2   john    john@email.com  Red Shirt   1
3   jim     jim@email.com   Green Shirt 1
4   jim     jim@email.com   Blue Shirt  2
5   bill    bill@email.com  Green Shirt 1
6   jim     jim@email.com   Blue Shirt  1
7   jane    jane@email.com  Blue Shirt  2
8   john    john@email.com  Blue Shirt  1
9   jim     jim@email.com   Green Shirt 2

我试图弄清楚如何得到这样的东西：

预期 OUTPUT

name  email          products    qty_ordered
jane  jane@email.com Red Shirt   2
                     Blue Shirt  2
john  john@email.com Green Shirt 2
                     Blue Shirt  1
                     Red Shirt   1
etc...

这里的数据并不是真正重要的，只是整体索引/列格式。

我试过了

pd.DataFrame(orders).groupby(['name', 'email']).apply(lambda x: x['product'])

这似乎接近：

name  email            
bill  bill@email.com  5    Green Shirt
jane  jane@email.com  0      Red Shirt
                      7     Blue Shirt
jim   jim@email.com   3    Green Shirt
                      4     Blue Shirt
                      6     Blue Shirt
                      9    Green Shirt
john  john@email.com  1    Green Shirt
                      2      Red Shirt
                      8     Blue Shirt

但是然后稍微修改一下：

pd.DataFrame(orders).groupby(['name', 'email']).apply(lambda x: [['product','qty_ordered']])

我明白了，我不明白。

    product qty_ordered
0   Red Shirt   2
1   Green Shirt 2
2   Red Shirt   1
3   Green Shirt 1
4   Blue Shirt  2
5   Green Shirt 1
6   Blue Shirt  1
7   Blue Shirt  2
8   Blue Shirt  1
9   Green Shirt 2

我还尝试了df.melt(), df.pivot(), df.agg()的不同变体来运行所有常见嫌疑人的范围。

我想我对groupby()的实际工作原理缺乏一些基本的了解。 非常感谢任何见解。

Answer 1

这是你想要的？

df = df.sort_values('name')
df.loc[df.duplicated('name'), ['name', 'email']]=''

输出/输出：

   name           email      product  qty_ordered
5  bill  bill@email.com  Green Shirt            1
0  jane  jane@email.com    Red Shirt            2
7                         Blue Shirt            2
3   jim  jim@email.com   Green Shirt            1
4                         Blue Shirt            2
6                         Blue Shirt            1
9                        Green Shirt            2
1  john  john@email.com  Green Shirt            2
2                          Red Shirt            1
8                         Blue Shirt            1