Python中的plyr或dplyr

这更多的是一个概念性的问题，我没有具体的问题

我正在学习用于数据分析的python，但我非常熟悉R—R的一个伟大之处是plyr（当然还有ggplot2），甚至更好的dplyr。Pandas当然也有split apply，但是在R中我可以这样做（在dplyr中，在plyr中有点不同，现在我可以看到dplyr是如何模仿对象编程中的.notation的）

在其中，我同时创建多个摘要计算

我如何在python中做到这一点，因为

df[...].groupby(.....).sum() only sums columns, 

在R上，我可以在一次调用中使用一个均值、一个和、一个特殊函数等

我意识到我可以单独完成所有操作并合并它们，如果我使用python，这很好，但当涉及到选择工具时，任何一行代码都不必输入、检查和验证，就能及时相加

此外，在dplyr中，您还可以添加mutate语句，因此在我看来，它的功能更加强大-那么，我对pandas或python缺少什么呢-

---

我的目标是学习，我花了很多精力学习python，这是一项值得的投资，但问题仍然存在

我认为您正在寻找应用于groupby对象的

从文档中：

In [48]: grouped = df.groupby('A')

In [49]: grouped['C'].agg([np.sum, np.mean, np.std])
Out[49]: 
          sum      mean       std
A                                
bar  0.443469  0.147823  0.301765
foo  2.529056  0.505811  0.96

---

我也是dplyr的忠实粉丝，我正在努力提高我对熊猫的认识。既然你没有什么特别的问题，我建议你看看下面的帖子，它分解了整个介绍dplyr的小插曲，并展示了如何用熊猫来完成所有这些

例如，作者演示了在R中使用管道操作符进行链接：

 flights %>%
   group_by(year, month, day) %>%
   select(arr_delay, dep_delay) %>%
   summarise(
      arr = mean(arr_delay, na.rm = TRUE),
      dep = mean(dep_delay, na.rm = TRUE)
       ) %>%
   filter(arr > 30 | dep > 30)

以下是熊猫的实施：

flights.groupby(['year', 'month', 'day'])
   [['arr_delay', 'dep_delay']]
   .mean()
   .query('arr_delay > 30 | dep_delay > 30')

关于如何在最初的岗位上实施类似于dplyr的操作，还有更多的比较。

---

可以简单地使用Python中的dplyr

rpy2（随rpy2-2.7.0引入）中有一个到

dplyr

的接口，允许您编写以下内容：

dataf = (DataFrame(mtcars).
         filter('gear>3').
         mutate(powertoweight='hp*36/wt').
         group_by('gear').
         summarize(mean_ptw='mean(powertoweight)'))

有一个问题。文档的这一部分也是一个jupyter笔记本。查找页面顶部附近的链接

这个问题的另一个答案是比较R的dplyr和熊猫（见@lgallen）。在rpy2与dplyr的接口中，dplyr语句编写的同一个R单行链式语句本质上是相同的

R:

Python+rpy2：

(DataFrame(flights).
 group_by('year', 'month', 'day').
 select('arr_delay', 'dep_delay').
 summarize(arr = 'mean(arr_delay, na.rm=TRUE)',
           dep = 'mean(dep_delay, na.rm=TRUE)').
 filter('arr > 30 | dep > 30'))

---

在python中使用dplyr最类似的方法是使用dfply包。这里有一个例子

R dplyr

library(nycflights13)
library(dplyr)

flights %>%
  filter(hour > 10) %>% # step 1
  mutate(speed = distance / (air_time * 60)) %>% # step 2
  group_by(origin) %>% # step 3a
  summarize(mean_speed = sprintf("%0.6f",mean(speed, na.rm = T))) %>% # step 3b
  arrange(desc(mean_speed)) # step 4

# A tibble: 3 x 2
  origin mean_speed
  <chr>  <chr>     
1 EWR    0.109777  
2 JFK    0.109427  
3 LGA    0.107362 

Python熊猫

flight_data.loc[flight_data['hour'] > 10, 'speed'] = flight_data['distance'] / (flight_data['air_time'] * 60)
result = flight_data.groupby('origin', as_index=False)['speed'].mean()
result.sort_values('speed', ascending=False)

Out[2]: 
  origin     speed
0    EWR  0.109777
1    JFK  0.109427
2    LGA  0.107362

---

注意：有关更多信息，您可以查看以下内容。

对于dplyr，我使用dfply，它具有相同的语法，但我们使用'>>'作为管道操作符，而在dplyr中我们使用%>% 您可以将plotnine用作ggplot2。我没有共享dfply的代码，因为上面已经共享了该代码，但是您可以查看下面的plotnine链接

---

这似乎更像是一个评论，而不是一个答案。但另一方面，没有提供可复制的exampel，因此。。。。也许。作为一个R用户，我很高兴看到

agg

-函数与R聚合函数不太相似。OP询问了一种同时应用多个聚合函数的方法。一个简短的答案仍然是一个答案。在引用的页面上，看起来可能需要

grouped.agg（）

。好的，我会用一个例子来整理答案谢谢你的答案，我不需要一个真实的例子，因为我没有提供实际问题。我明确表示这是一个概念性问题，虽然这可能会回答问题，但在这里包括答案的基本部分（例如，解决问题样本问题的示例？），并提供链接以供参考。答案经过编辑以包含有关链接的信息，这对于原始海报关于执行多个摘要计算的观点是必要的。但是，你甚至不再使用本机pandas数据帧了，对吗？@AllenWang有一些工具可以在内存中的R数据帧和pandas数据帧（rpy2中的转换器）之间穿梭。除此之外，本机pandas数据帧的概念可能没有考虑持久数据帧（HDF5，（远程）SQL表，feather）时严格，因为它们可以从Python/pandas或R（因此Python/rpy2）作为各自世界中的数据帧访问。很棒的工具！是否可以给出一个可复制的示例（无需从msomewhere导入数据？）一个选项是安装

ggplot

（在python$pip install ggplot中），其中包括不同的数据库，如

mtcars

，有许多使用dplyr的示例。

library(nycflights13)
library(dplyr)

flights %>%
  filter(hour > 10) %>% # step 1
  mutate(speed = distance / (air_time * 60)) %>% # step 2
  group_by(origin) %>% # step 3a
  summarize(mean_speed = sprintf("%0.6f",mean(speed, na.rm = T))) %>% # step 3b
  arrange(desc(mean_speed)) # step 4

# A tibble: 3 x 2
  origin mean_speed
  <chr>  <chr>     
1 EWR    0.109777  
2 JFK    0.109427  
3 LGA    0.107362 

from dfply import *
import pandas as pd

flight_data = pd.read_csv('nycflights13.csv')

(flight_data >>
  mask(X.hour > 10) >> # step 1
  mutate(speed = X.distance / (X.air_time * 60)) >> # step 2
  group_by(X.origin) >> # step 3a
  summarize(mean_speed = X.speed.mean()) >> # step 3b
  arrange(X.mean_speed, ascending=False) # step 4
)


Out[1]: 
  origin  mean_speed
0    EWR    0.109777
1    JFK    0.109427
2    LGA    0.107362

flight_data.loc[flight_data['hour'] > 10, 'speed'] = flight_data['distance'] / (flight_data['air_time'] * 60)
result = flight_data.groupby('origin', as_index=False)['speed'].mean()
result.sort_values('speed', ascending=False)

Out[2]: 
  origin     speed
0    EWR  0.109777
1    JFK  0.109427
2    LGA  0.107362