Python 什么';这是在pandas中执行聚合和重命名操作的惯用方法
例如,如何在pandas中执行以下R data.table操作:Python 什么';这是在pandas中执行聚合和重命名操作的惯用方法,python,pandas,Python,Pandas,例如,如何在pandas中执行以下R data.table操作: PATHS[,.( completed=sum(exists), missing=sum(not(exists)), total=.N, 'size (G)'=sum(sizeMB)/1024), by=.(projectPath, pipelineId)] 也就是说,按projectPath和pipelineId分组,聚合一些列 可能使用自定义函数,然后重命名生成的列 输出应该是没有层次索引的数据帧,例如:
PATHS[,.( completed=sum(exists), missing=sum(not(exists)), total=.N, 'size (G)'=sum(sizeMB)/1024), by=.(projectPath, pipelineId)]
也就是说,按projectPath
和pipelineId
分组,聚合一些列
可能使用自定义函数,然后重命名生成的列
输出应该是没有层次索引的数据帧,例如:
projectPath pipelineId completed missing size (G)
/data/pnl/projects/TRACTS/pnlpipe 0 2568 0 45.30824
/data/pnl/projects/TRACTS/pnlpipe 1 1299 0 62.69934
您可以使用
groupby.agg
:
df.groupby(['projectPath', 'pipelineId']).agg({
'exists': {'completed': 'sum', 'missing': lambda x: (~x).sum(), 'total': 'size'},
'sizeMB': {'size (G)': lambda x: x.sum()/1024}
})
样本运行:
更新:如果确实要自定义聚合而不使用不推荐的嵌套字典语法,则始终可以使用
groupby.apply
并从每个组返回一个序列对象:
df.groupby(['projectPath', 'pipelineId']).apply(
lambda g: pd.Series({
'completed': g.exists.sum(),
'missing': (~g.exists).sum(),
'total': g.exists.size,
'size (G)': g.sizeMB.sum()/1024
})
).reset_index()
我相信新的0.20更“惯用”的方式是这样的(嵌套字典的第二层基本上被附加的
.rename
方法所取代):
…(completed=sum(exists),missing=sum(not(exists)),total=.N,‘size(G)’=sum(sizeMB)/1024),by=(projectPath,pipelineId)]…
在R中,变为
编辑:在pd.DataFrame.groupby()中使用as_index=False
,以防止在最终df中使用多索引
df.groupby(['projectPath', 'pipelineId'], as_index=False).agg({
'exists': 'sum',
'pipelineId': 'count',
'sizeMB': lambda s: s.sum() / 1024
}).rename(columns={'exists': 'completed',
'pipelineId': 'total',
'sizeMB': 'size (G)'})
然后,我可能会添加另一行作为“exists”->“missing”的倒数:
df['missing'] = df.total - df.completed
作为Jupyter笔记本测试中的一个例子,下面是一个模拟目录树,由pd.read_csv()
导入一个Pandas数据帧,其中包含46条管道路径,我稍微修改了这个例子,使其具有1000-100k核苷酸碱基之间的DNA字符串形式的随机数据,而不是创建Mb大小的文件。尽管如此,非离散gigabases仍在计算中,在df.agg
调用中可用的聚合pd.Series
对象上使用NumPy的np.mean()
,但lambda s:s.mean()
将是更简单的方法
e、 g
df_paths.groupby(['TRACT', 'pipelineId']).agg({
'mean_len(project)' : 'sum',
'len(seq)' : lambda agg_s: np.mean(agg_s.values) / 1e9
}).rename(columns={'len(seq)': 'Gb',
'mean_len(project)': 'TRACT_sum'})
其中,“TRACT”是目录树中比“pipelineId”高一级的类别,因此在本例中,您可以看到共有46个唯一管道-2个“TRACT”层AB/AC x 6个“pipelineId”/“project”的x 4个二进制组合00、01、10、11(减去GNU并行生成第三个topdir的2个项目;见下文)。因此,在新的agg中,统计数据将项目水平的平均值转换为每个区域内所有相应项目的总和
您是否有粘贴在该问题中的示例输入数据框?非常好的示例。很好+1@ScottBoston谢谢。我想接受这个答案,但他们很快就会反对.agg()中的嵌套字典:你能在你的groupby中使用as\u index=False
,这样你以后就不需要droplevel
调用了吗?当然,您可以将这两列作为对groupby
对象的两个单独调用,并将每个结果分配给df
对象中自己的列,从而消除了对嵌套字典的需要,即使它没有这样干净answer@scnerd真是个好主意!我在下面编辑了我的答案,以更正非层次/非默认索引
df_paths.groupby(['TRACT', 'pipelineId']).agg({
'mean_len(project)' : 'sum',
'len(seq)' : lambda agg_s: np.mean(agg_s.values) / 1e9
}).rename(columns={'len(seq)': 'Gb',
'mean_len(project)': 'TRACT_sum'})
df_paths = pd.read_csv('./data/paths.txt', header=None, names=['projectPath'])
# df_paths['projectPath'] =
df_paths['pipelineId'] = df_paths.projectPath.apply(
lambda s: ''.join(s.split('/')[1:5])[:-3])
df_paths['TRACT'] = df_paths.pipelineId.apply(lambda s: s[:2])
df_paths['rand_DNA'] = [
''.join(random.choices(['A', 'C', 'T', 'G'],
k=random.randint(1e3, 1e5)))
for _ in range(df_paths.shape[0])
]
df_paths['len(seq)'] = df_paths.rand_DNA.apply(len)
df_paths['mean_len(project)'] = df_paths.pipelineId.apply(
lambda pjct: df_paths.groupby('pipelineId')['len(seq)'].mean()[pjct])
df_paths