在Python中用pandas对数据帧进行装箱

给定熊猫中的以下数据帧：

import numpy as np
df = pandas.DataFrame({"a": np.random.random(100), "b": np.random.random(100), "id": np.arange(100)})

如果

id

是由

a

和

b

值组成的每个点的id，我如何将

a

和

b

放入一组指定的存储箱中（这样我就可以在每个存储箱中取

a

和

b

的中值/平均值）<对于

df

中的任何给定行，

a

或

b

（或两者）可能具有

NaN

值。谢谢

这里有一个更好的例子，使用Joe Kington的解决方案和更现实的df。我不确定的是如何访问下面每个df.a组的df.b元素：

a = np.random.random(20)
df = pandas.DataFrame({"a": a, "b": a + 10})
# bins for df.a
bins = np.linspace(0, 1, 10)
# bin df according to a
groups = df.groupby(np.digitize(df.a,bins))
# Get the mean of a in each group
print groups.mean()
## But how to get the mean of b for each group of a?
# ...

---

可能有一种更有效的方法（我感觉熊猫。交叉表在这里很有用），但我会这样做：

import numpy as np
import pandas

df = pandas.DataFrame({"a": np.random.random(100),
                       "b": np.random.random(100),
                       "id": np.arange(100)})

# Bin the data frame by "a" with 10 bins...
bins = np.linspace(df.a.min(), df.a.max(), 10)
groups = df.groupby(np.digitize(df.a, bins))

# Get the mean of each bin:
print groups.mean() # Also could do "groups.aggregate(np.mean)"

# Similarly, the median:
print groups.median()

# Apply some arbitrary function to aggregate binned data
print groups.aggregate(lambda x: np.mean(x[x > 0.5]))

---

编辑：由于OP特别要求使用由

a

中的值组合而成的

b

的方法，所以只需这样做即可

groups.mean().b

此外，如果您希望索引看起来更好（例如，将间隔显示为索引），就像@bdiamante的示例中那样，请使用

pandas.cut

而不是

numpy.digitized

。（比达曼特的功劳。我没有意识到熊猫。切的存在。）

这导致：

a
(0.00186, 0.111]    10.421839
(0.111, 0.22]       10.427540
(0.22, 0.33]        10.538932
(0.33, 0.439]       10.445085
(0.439, 0.548]      10.313612
(0.548, 0.658]      10.319387
(0.658, 0.767]      10.367444
(0.767, 0.876]      10.469655
(0.876, 0.986]      10.571008
Name: b

---

不是100%确定这是否是你想要的，但以下是我认为你想要的：

In [144]: df = DataFrame({"a": np.random.random(100), "b": np.random.random(100), "id":   np.arange(100)})

In [145]: bins = [0, .25, .5, .75, 1]

In [146]: a_bins = df.a.groupby(cut(df.a,bins))

In [147]: b_bins = df.b.groupby(cut(df.b,bins))

In [148]: a_bins.agg([mean,median])
Out[148]:
                 mean    median
a
(0, 0.25]    0.124173  0.114613
(0.25, 0.5]  0.367703  0.358866
(0.5, 0.75]  0.624251  0.626730
(0.75, 1]    0.875395  0.869843

In [149]: b_bins.agg([mean,median])
Out[149]:
                 mean    median
b
(0, 0.25]    0.147936  0.166900
(0.25, 0.5]  0.394918  0.386729
(0.5, 0.75]  0.636111  0.655247
(0.75, 1]    0.851227  0.838805

---

当然，我不知道你在想什么样的箱子，所以你必须根据你的情况换掉我的。

乔·金顿的回答非常有用，但是，我注意到它并没有把所有的数据都装进箱子。它实际上用a=a.min（）省去了该行。将

组相加。size（）

得到99而不是100

为了保证所有数据都已装箱，只需传入要剪切的箱子数量（），该函数将自动将第一个[最后一个]箱子填充0.1%，以确保包含所有数据

df = pandas.DataFrame({"a": np.random.random(100), 
                    "b": np.random.random(100) + 10})

# Bin the data frame by "a" with 10 bins...
groups = df.groupby(pandas.cut(df.a, 10))

# Get the mean of b, binned by the values in a
print(groups.mean().b)

在本例中，将groups.size（）相加得到100

---

我知道对于这个特殊的问题，这是一个挑剔的问题，但是对于我试图解决的一个类似的问题，获得正确的答案是至关重要的。

如果你不必坚持分组，你可以使用

scipy.stats.binned\u statistic

：

from scipy.stats import binned_statistic

means = binned_statistic(df.a, df.b, bins=np.linspace(min(df.a), max(df.a), 10))

---

美好的我以为OP想把“b”归为“a”，但现在回想起来，你的答案可能就是他们想要的。我将保留我的答案，因为我们的答案略有不同。也许值得一提的是，它是

pandas.Dataframe（{..}）

和

a_bins.agg（[numpy.mean，numpy.median]）

优秀而优雅！正是我想要的。根本不需要对数据帧进行排序。如果要根据组访问

b

值，该怎么办

groups.mean（）

只为

a

提供了平均值，我相信。@user248237dfsf-不，它为

a

和

b

提供了平均值（或者更确切地说，它为

a

中的值提供了

b

的平均值，这正是我认为您所要求的）。

groups.mean（）

返回一个

数据帧

，因此您可以执行

组.mean（）[“b”]

来访问

a

绑定的

b

的方法。

from scipy.stats import binned_statistic

means = binned_statistic(df.a, df.b, bins=np.linspace(min(df.a), max(df.a), 10))