Python 如何使用另一个函数中的dataframe对象？

我有3个功能；一个用于处理具有4列（MemberID、year、DSFS和DrugCount）的数据帧并返回3个按年份分类的数据帧的函数，一个用于重新格式化年份的辅助函数，第三个用于按年份分类重新编码数据帧

• 如何将按年份分类的数据帧作为第三个函数的输入
• 我想使用

  df['DSFS'].unique（）

  查找唯一类别的列表。我将使用什么作为我的

  df

csv文件的示例

MemberID DSFS药量
2 61221204 2-3个月1
8 30786520 1-2个月1
11 28420460 10-11个月1
12 11861003 4-5个月1
14 66905595 6-7个月4

def process_DrugCount(drugcount):
    dc = pd.read_csv("DrugCount.csv")
    sub_map = {'1' : 1, '2':2, '3':3, '4':4, '5':5, '6':6, '7+' : 7}
    dc['DrugCount'] = dc.DrugCount.map(sub_map)
    dc['DrugCount'] = dc.DrugCount.astype(int)
    dc_grouped = dc.groupby(dc.Year, as_index=False)
    DrugCount_Y1 = dc_grouped.get_group('Y1')
    DrugCount_Y2 = dc_grouped.get_group('Y2')
    DrugCount_Y3 = dc_grouped.get_group('Y3')
    DrugCount_Y1.drop('Year', axis=1, inplace=True)
    DrugCount_Y2.drop('Year', axis=1, inplace=True)
    DrugCount_Y3.drop('Year', axis=1, inplace=True)
    return (DrugCount_Y1,DrugCount_Y2,DrugCount_Y3)

def replaceMonth(string):
    replace_map = {'0- 1 month' : "0_1", "1- 2 months": "1_2", "2- 3 months": "2_3", "4- 5 months": "4_5", "5- 6 months": "5_6", "6- 7 months": "6_7", "7- 8 months" : "7_8",\
                   "8- 9 months": "8_9", "9-10 months": "9_10", "10-11 months": "10_11", "11-12 months": "11_12"}
    a_new_string = string.map(replace_map)
    return a_new_string

def process_yearly_DrugCount(aframe):
    processed_frame = None
    dc = pd.read_csv("DrugCount.csv")
    sub_map = {'1' : 1, '2':2, '3':3, '4':4, '5':5, '6':6, '7+' : 7}
    dc['DrugCount'] = dc.DrugCount.map(sub_map)
    dc['DrugCount'] = dc.DrugCount.astype(int)
    dc_grouped = dc.groupby(dc.Year, as_index=False)
    DrugCount_Y1 = dc_grouped.get_group('Y1')
    DrugCount_Y1.drop('Year', axis=1, inplace=True)
    # print DrugCount_Y1['DSFS'].unique
    return processed_frame

---

我对您的示例并不十分清楚，但这里有一个基于pandas文档的稍有不同的示例，它演示了一些有用的技术：

听起来，与其使用groupby，不如使用df.pivot_表来重塑为多索引

例如，尝试：

import pandas.util.testing as tm; tm.N = 3
def unpivot(frame):
    N, K = frame.shape
    data = {'value' : frame.values.ravel('F'),
            'variable' : np.asarray(frame.columns).repeat(N),
            'date' : np.tile(np.asarray(frame.index), K)}
    return pd.DataFrame(data, columns=['date', 'variable', 'value'])

df = unpivot(tm.makeTimeDataFrame())

要进行测试df，请比较df.head（）

使用打印df.pivot_表（索引=（“变量”、“日期”））

然后您可以进行df_旋转。loc['A']为您提供：

            value
date                
2000-01-03 -0.357495
2000-01-04  0.367520
2000-01-05  2.216699

您可以使用几年的时间轻松地将其应用于您的示例。对于这种类型的操作，它比使用GROUPBY更容易，并且它将所有数据保存在一个数据帧（视图）中

您还可以使用value_counts查找所有值及其频率。在我的例子中：

df['variable'].value_counts()

将返回一个系列：

D    3
B    3
C    3
A    3
Name: variable, dtype: int64

如果我理解正确的话，这个系列的索引就是你的唯一值列表。所以

list(df['variable'].value_counts().index)   

---

应该给你想要的

能否添加

DrugCount.csv

的样本？

D    3
B    3
C    3
A    3
Name: variable, dtype: int64

list(df['variable'].value_counts().index)