Python 处理dataframe列中的大量不同值

python新手，使用python进入数据分析领域。 我正在处理实践数据，其中一列有87个不同的值，另一列有888个不同的值，我想删除后一列。我只是不明白如何处理这些专栏。我是将这些列分组还是删除这些列。如果我是一个团队，那我该怎么做！？非常感谢你的想法@托比·佩蒂@Vaishali

例：

将熊猫作为pd导入
将颠簸导入为np

print（“汽车不同条目的计数：”，len（设置（汽车销售['car']）））

打印（“汽车的不同条目：”，设置（汽车销售['car']）

car的不同条目计数：87
car的不同条目：{'兰博基尼'、'UAZ'、'Daewoo'、'Jeep'、'ferari'、'Bentley'、'Mercury'、'MINI'、'Acura'、'landrover'、'Aston Martin'、'Fisker'、'Dodge'、'Fiat'、'MG'、'Samsung'、'Rolls-Royce'、'sford'、'Moskvich Izh'、'Samand'、'Audi'、'Dadi'、'gely'、'Dacia'、'dahatsu'、'Maserati'、'voln、SMA、悍马、保时捷、斯巴鲁、阿尔法罗密欧、萨博、别克、马自达、梅赛德斯-奔驰、雷克萨斯、哈飞、雷诺、铃木、克莱斯勒、比亚迪、莫斯科维奇-阿兹尔克、捷豹、斯马特、扎兹、格罗兹、英菲尼迪、塔塔、力帆、ZX、五十铃、罗孚、本田、三菱、卡迪拉克、一汽、阿罗、瓦茨堡、GMC、长城、兰奇“a”、“Bogdan”、“起亚”、“宝马”、“江淮”、“特斯拉”、“座椅”、“巴克斯”、“VAZ”、“黄海”、“丰田”、“雪铁龙”、“其他复古车型”、“奇瑞”、“欧宝”、“雪佛兰”、“斯柯达”、“UAZ”、“长安”、“GAZ”}

你的问题是什么

更新：经过一些澄清/猜测后，我将假设问题涉及两个问题：

如何将一个

groupby

限制为仅顶部

k

组（通过一些选择集合）

如何汇总列，包括一些非数字列

首先，

sns

包含一些漂亮的数据集，这些数据集对于此类问题非常方便，例如，下面我们将使用“mpg”，其中包含一些汽车和里程信息

import pandas as pd
import numpy as np
import seaborn as sns

df = sns.load_dataset('mpg')

我们将提供的

名称

分为

品牌

和

型号

：

df[['brand', 'model']] = pd.DataFrame(df.name.str.split(' ', n=1).values.tolist())
df.head(3)

Out[]:
    mpg  cylinders  displacement  horsepower  weight  acceleration  \
0  18.0          8         307.0       130.0    3504          12.0   
1  15.0          8         350.0       165.0    3693          11.5   
2  18.0          8         318.0       150.0    3436          11.0   

   model_year origin                       name      brand            model  
0          70    usa  chevrolet chevelle malibu  chevrolet  chevelle malibu  
1          70    usa          buick skylark 320      buick      skylark 320  
2          70    usa         plymouth satellite   plymouth        satellite  

稍后，我们将添加一列

n

，用于计算统计数据的条目数：

df['n'] = 1

根据maximum

acceleration

（OP希望使用总销售额，因此在他的案例中，我们将使用

sales.sum（）

而不是

acceleration.max（）

，但这里我们没有销售数字）。重点是为我们想要报告的组建立一个索引（并将其他组重命名为“others”）.我们将我们称之为

idx

的索引转换为元组列表，以便于子集设置

idx = df.groupby(['brand', 'model']).acceleration.max().sort_values(ascending=False).head(5).index.to_list()
idx

Out[]:
[('peugeot', '504'),
 ('vw', 'pickup'),
 ('vw', 'dasher (diesel)'),
 ('volkswagen', 'type 3'),
 ('chevrolet', 'chevette')]

现在为所选组构建一个布尔选择器

top10

，该选择器为

True

top10 = df.set_index(['brand', 'model']).index.isin(idx)

重命名其他名称：

df.loc[~top10, 'brand'] = 'Other'
df.loc[~top10, 'model'] = ''

现在，对于非数字列，我们选择报告多数值（组中最常见的值）

最后，我们定义了用于各个列的聚合器目录：

# numeric: use mean
desired = {k:'mean' for k in df.columns if np.issubdtype(df[k], np.number)}
# simplified:
desired = {k:'mean' for k in ['mpg', 'horsepower', 'weight']}

# non-numeric: use majority    
desired.update({'origin': majority})

# also report the size of each group
desired.update({'n': 'sum'})

现在，执行groupby和aggregate操作：

df.groupby(['brand', 'model']).agg(desired)

Out[]:
                                  mpg  horsepower       weight  origin    n
brand      model                                                           
Other                       23.340052  105.540682  2984.651163     usa  387
chevrolet  chevette         30.400000   63.250000  2090.250000     usa    4
peugeot    504              23.550000   83.500000  3022.250000  europe    4
volkswagen type 3           23.000000   54.000000  2254.000000  europe    1
vw         dasher (diesel)  43.400000   48.000000  2335.000000  europe    1
           pickup           44.000000   52.000000  2130.000000  europe    1

---

检查pandas.DataFrame.groupby+pandas.DataFrame.sum

导入pandas作为pd导入numpy作为np汽车=[['Ford'，15500.0，'crossover'，68,2.5，'Gas'，'yes'，2010，'Kuga'，'full']，['Mercedes-Benz'，20500.0，'sedan 173,1.8，'Gas'，yes'，2011，'E-Class'，rear']，['Mercedes Benz'，20500.0，'Other 173,1.8，'Gas'，2011，'E-Class'，rear']，['Ford'，15500.0，“Other”，“68,2.5，'Gas'，'yes'，2010，'Kuga'，'full']]car_sales=pd.DataFrame（汽车，列=['car'，'price'，'body'，'miliners'，'engV'，'engType'，'registration'，'year'，'model'，'drive']）

这是我的数据框架，我想在汽车旁边创建一个新的列，名为car1，它将包括大众、奔驰、宝马、丰田、VAZ、雷诺、奥迪、欧宝、斯柯达、日产和77个剩余值，其他人我仍然不理解你的问题。你能用输入和期望输出的最小示例更新问题吗MPE是一种用非常精简的设置来描述问题精神的工具，即仅几行代码。在您的情况下，输入可能是2列和4或5行。我的数据中有一列有87个不同的值（汽车品牌），针对每一个汽车品牌，销售和其他属性在另一列中给出。因此，要将前10个汽车品牌和剩余77个我希望club的值排序在“其他”下，以便在制作图表时，我可以在分析中显示这些前10个汽车品牌（剩余的club在“其他”中）。数据框如下：

cars=[[Ford'，15500.0，'crossover'，68,2.5]，'Mercedes'，20500.0，'sedan'，173,1.8]，'Mercedes'，26500.0，'crossover'，173,2.8]，

car\u sales=pd.DataFrame（cars，columns=['car'，'price'，'body'，'milies'，'engV'））

你还没有正确地描述你的问题。你所说的“十大汽车品牌”是什么意思？“前十大汽车品牌”表示订购。订购是什么？按总销售额、总里程数、车型数量、低消耗量、其他方面？您想如何对汽车进行分组？仅按品牌、品牌和车身，还是什么？分组时，您可以计算各种数字统计数据（例如，“平均”、“最小”、“最大”、“中值”）.您希望如何处理非数字列？

df.groupby(['brand', 'model']).agg(desired)

Out[]:
                                  mpg  horsepower       weight  origin    n
brand      model                                                           
Other                       23.340052  105.540682  2984.651163     usa  387
chevrolet  chevette         30.400000   63.250000  2090.250000     usa    4
peugeot    504              23.550000   83.500000  3022.250000  europe    4
volkswagen type 3           23.000000   54.000000  2254.000000  europe    1
vw         dasher (diesel)  43.400000   48.000000  2335.000000  europe    1
           pickup           44.000000   52.000000  2130.000000  europe    1