Преобразование панды метода groupBy объекта в таблице данных

я хочу немного изменить ответ, данный Wes, потому что версия 0.16.2 требует as_index=False. Если вы не установите его, вы получите пустой фрейм данных.

источник:

агрегатные функции не будут возвращать группы, которые вы агрегируете, если они называются столбцами, когда as_index=True по умолчанию. Сгруппированные столбцы будут индексами возвращаемого объекта.

передает as_index=False вернет группы, которые вы агрегируются, если они называются столбцами.

агрегирующие функции-это те, которые уменьшают размерность возвращаемых объектов, например: mean,sum,size,count,std,var,sem,describe,first,last,nth,min,max. Вот что происходит, когда вы делаете, например DataFrame.sum() и Series.

nth может действовать как редуктор или фильтр, см. здесь.

import pandas as pd

df1 = pd.DataFrame({"Name":["Alice", "Bob", "Mallory", "Mallory", "Bob" , "Mallory"],
                    "City":["Seattle","Seattle","Portland","Seattle","Seattle","Portland"]})
print df1
#
#       City     Name
#0   Seattle    Alice
#1   Seattle      Bob
#2  Portland  Mallory
#3   Seattle  Mallory
#4   Seattle      Bob
#5  Portland  Mallory
#
g1 = df1.groupby(["Name", "City"], as_index=False).count()
print g1
#
#                  City  Name
#Name    City
#Alice   Seattle      1     1
#Bob     Seattle      2     2
#Mallory Portland     2     2
#        Seattle      1     1
#

EDIT:

в версии 0.17.1 и позже вы можете использовать subset на count и reset_index с параметром name in size:

print df1.groupby(["Name", "City"], as_index=False ).count()
#IndexError: list index out of range

print df1.groupby(["Name", "City"]).count()
#Empty DataFrame
#Columns: []
#Index: [(Alice, Seattle), (Bob, Seattle), (Mallory, Portland), (Mallory, Seattle)]

print df1.groupby(["Name", "City"])[['Name','City']].count()
#                  Name  City
#Name    City                
#Alice   Seattle      1     1
#Bob     Seattle      2     2
#Mallory Portland     2     2
#        Seattle      1     1

print df1.groupby(["Name", "City"]).size().reset_index(name='count')
#      Name      City  count
#0    Alice   Seattle      1
#1      Bob   Seattle      2
#2  Mallory  Portland      2
#3  Mallory   Seattle      1

разницу между count и size это size подсчитывает значения NaN в то время как count нет.

просто, это должно сделать задачу:

import pandas as pd

grouped_df = df1.groupby( [ "Name", "City"] )

pd.DataFrame(grouped_df.size().reset_index(name = "Group_Count"))

здесь, grouped_df.size() поднимает уникальный счетчик groupby, а метод reset_index () сбрасывает имя столбца, которым вы хотите его видеть. Наконец, функция pandas Dataframe () вызывается для создания объекта DataFrame.

Я обнаружил, что это работает для меня.

import numpy as np
import pandas as pd

df1 = pd.DataFrame({ 
    "Name" : ["Alice", "Bob", "Mallory", "Mallory", "Bob" , "Mallory"] , 
    "City" : ["Seattle", "Seattle", "Portland", "Seattle", "Seattle", "Portland"]})

df1['City_count'] = 1
df1['Name_count'] = 1

df1.groupby(['Name', 'City'], as_index=False).count()

возможно, я неправильно понял вопрос, но если вы хотите преобразовать groupby обратно в фрейм данных, который вы можете использовать .to_frame(). я хотел сбросить индекс, когда я это сделал, поэтому я включил и эту часть.

пример кода, не связанный с вопросом

df = df['TIME'].groupby(df['Name']).min()
df = df.to_frame()
df = df.reset_index(level=['Name',"TIME"])

Я агрегировал с кол-во мудрых данных и хранить в dataframe

almo_grp_data = pd.DataFrame({'Qty_cnt' :
almo_slt_models_data.groupby( ['orderDate','Item','State Abv']
          )['Qty'].sum()}).reset_index()

ниже Решение может быть проще:

df1.reset_index().groupby( [ "Name", "City"],as_index=False ).count()

эти решения только частично работали для меня, потому что я делал несколько агрегаций. Вот пример вывода моей группы, которую я хотел преобразовать в фрейм данных:

потому что я хотел больше, чем количество, предоставленное reset_index (), я написал ручной метод для преобразования изображения выше в фрейм данных. Я понимаю, что это не самый питонический / панд способ сделать это, поскольку он довольно многословен и явен, но это было все, что я необходимый. В принципе, использовать reset_index() метод, описанный выше, чтобы начать "монтаж" таблицы данных, затем петли через группу пар сгруппированы в таблицы данных, извлекать показатели, проанализировать свои расчеты в отношении этой таблицы данных, и установите значение в новой сводные таблицы данных.

df_grouped = df[['Salary Basis', 'Job Title', 'Hourly Rate', 'Male Count', 'Female Count']]
df_grouped = df_grouped.groupby(['Salary Basis', 'Job Title'], as_index=False)

# Grouped gives us the indices we want for each grouping
# We cannot convert a groupedby object back to a dataframe, so we need to do it manually
# Create a new dataframe to work against
df_aggregated = df_grouped.size().to_frame('Total Count').reset_index()
df_aggregated['Male Count'] = 0
df_aggregated['Female Count'] = 0
df_aggregated['Job Rate'] = 0

def manualAggregations(indices_array):
    temp_df = df.iloc[indices_array]
    return {
        'Male Count': temp_df['Male Count'].sum(),
        'Female Count': temp_df['Female Count'].sum(),
        'Job Rate': temp_df['Hourly Rate'].max()
    }

for name, group in df_grouped:
    ix = df_grouped.indices[name]
    calcDict = manualAggregations(ix)

    for key in calcDict:
        #Salary Basis, Job Title
        columns = list(name)
        df_aggregated.loc[(df_aggregated['Salary Basis'] == columns[0]) & 
                          (df_aggregated['Job Title'] == columns[1]), key] = calcDict[key]

Если словарь не ваша вещь, вычисления могут быть применены встраиваемые в цикл for:

    df_aggregated['Male Count'].loc[(df_aggregated['Salary Basis'] == columns[0]) & 
                                (df_aggregated['Job Title'] == columns[1])] = df['Male Count'].iloc[ix].sum()