Python 这个还是那个

请容忍我这件事，我已经为此伤了好几个小时了

以这些数据为例

np.random.seed(2)
apples = np.random.randint(10,20,9)
df = pd.DataFrame({'name':list('aabbcdeee'), 'addr':list('mmznjjkkx'), 'apples':apples})[['name','addr','apples']]

如果

name

是同一个人，那么它就是同一个人；如果

addr

是同一个人，那么它也是同一个人。我想数一数每个人有多少个苹果。通常情况下，这是微不足道的：

In [50]: df[['apples', 'name']].groupby('name').sum()
    Out[50]:
      apples
name
a         36
b         28
c         18
d         17
e         38

或者

df[['apples'，'addr']].groupby（'addr'）.sum（）

，因为它们应该返回相同的输出。 但是，addr

j

以

c

和

d

的身份输入了她的名字，而name

b

以

z

和

n

的身份输入了她的地址，而

e

两次输入正确，但第三次输入错误。因此，上述两种

groupby

操作都低估了一些人拥有的苹果数量。理想的输出是：

In [52]: %paste
pd.DataFrame({'name':list('aabbcceee'), 'addr':list('mmnnjjkkk'), 'apples':apples}).groupby('name').apples.sum()

## -- End pasted text --
Out[52]:
name
a    36
b    28
c    35
e    38
Name: apples, dtype: int32

我可以使用集合识别具有错误地址或名称的索引：

sameNames = df.name[df.name.duplicated()].index
sameAddr = df.addr[df.addr.duplicated()].index
sameNameORaddr = df.name[(df.name.duplicated() | df.addr.duplicated())].index

因此错误就在这里：

In [47]: sameNameORaddr.difference(sameNames).union(sameNameORaddr.difference(sameAddr))
Out[47]: Int64Index([2, 3, 4, 5, 8], dtype='int64')

---

但是我不知道如何使用它来执行

groupby

。我想尝试分配新的名称，可以正确识别重复的名称或地址，但不知道如何做到这一点。感谢您的帮助

如果我理解正确，您可以创建从地址到名称的映射。然后使用此映射覆盖名称，并正常执行

GroupBy

：

s = df.drop_duplicates('addr').set_index('addr')['name']
df['name'] = df['addr'].map(s)

res = df.groupby('name', as_index=False)['apples'].sum()

print(res)

  name  apples
0    a      36
1    b      28
2    c      35
3    e      38

通过

addr

复制

首字母
drop\u，前提是为任何
名称
输入的第一个地址都是正确的。
另一种方法：

df['group'] = df.groupby('addr').ngroup()

d = {'name':'first','apples':'sum'}
df1 = df.groupby('name',as_index=False).sum().groupby('group').agg(d)

df1 = df1.sort_values('name').reset_index(drop=True)

print (df1)

# Output:

  name  apples
0   a    36
1   b    28
2   c    35
3   e    38

说明：
首先用于对
addr
col中的每组进行编号

df['group'] = df.groupby('addr').ngroup()

  name addr apples group
0   a   m    18     2
1   a   m    18     2
2   b   z    16     5
3   b   n    12     3
4   c   j    18     0
5   d   j    17     0
6   e   k    12     1 
7   e   k    11     1 
8   e   x    15     4

然后使用name和sum
df.groupby（'name'，as_index=False）返回groupby

   name  apples group
 0  a     36     4
 1  b     28     8
 2  c     18     0
 3  d     17     0
 4  e     38     6

现在，相同的地址行将具有相同的组号，因此您可以在
group
列上再次分组，并使用带有
apples='sum'
和
name=first或last
的函数来保留name的第一个/最后一个实例

d = {'name':'first','apples':'sum'}
df1 = df.groupby('name',as_index=False).sum().groupby('group').agg(d)

然后对值进行排序并重置索引以获得输出。
你能详细说明一下这一机制吗？调用
ngroup（）
：
“DataFrameGroupBy”对象没有属性“ngroup”
可能是我的熊猫：
pd.\uu version\uuuuuu Out[8]：“0.18.1”
？@GeneBurinsky是的。它仅在
版本0.20.2
中提供。您可以更新。@GeneBurinsky使用此
df['group']=df.groupby（'addr'）.grouper.group_info[0]
而不是
df.groupby（'addr'）.ngroup（）
这是一个更快、更简单、也许更灵活的解决方案，但出于某种原因，@Abhi的解决方案可以找到更多的组。我认为这两个答案在应用于一个人的数据时都应该进行测试，因为根据复杂性，它们可能会产生不同的答案。