Python相当于groupby mutate

因此，在R中，当我有一个由4列组成的数据框，称之为df，我想通过一个组的和积来计算比率，我可以这样做：

// generate data
df = data.frame(a=c(1,1,0,1,0),b=c(1,0,0,1,0),c=c(10,5,1,5,10),d=c(3,1,2,1,2));
| a   b   c    d |
| 1   1   10   3 |
| 1   0   5    1 |
| 0   0   1    2 |
| 1   1   5    1 |
| 0   0   10   2 |
// compute sum product ratio
df = df%>% group_by(a,b) %>%
      mutate(
          ratio=c/sum(c*d)
      );
| a   b   c    d  ratio |
| 1   1   10   3  0.286 |
| 1   1   5    1  0.143 |
| 1   0   5    1  1     |
| 0   0   1    2  0.045 |
| 0   0   10   2  0.454 |

但在python中，我需要求助于循环。

---

我知道python中应该有一种比原始循环更优雅的方式，有人有什么想法吗

可以使用与

groupby（）

和

apply（）

类似的语法来完成：

根据这一点，我们可以使用

transform（）

方法复制

dplyr:：groupby（）

和

dplyr:：mutate（）

的组合。对于本例，它将如下所示：

df=pd.DataFrame(
口述(
a=（1,1,0,1,0），
b=（1,0,0,1,0），
c=（10,5,1,5,10），
d=（3,1,2,1,2），
)
).分配(
prod_c_d=lambda x:x['c']*x['d']，
比率=λx:x['c']/（x.groupby（['a'，'b']）。转换（'sum'）['prod_c_d']））
)

本例使用。有关如何使用方法链接复制

dplyr

工作流的更多信息，请参见此

使用

apply（）

和

groupby（）。例如，如果我们从lambda表达式中删除
g.c/
，则它不起作用

df['ratio'] = df.groupby(['a','b'], group_keys=False)\
    .apply(lambda g: (g.c * g.d).sum() )

group_keys=False实现了什么？默认情况下，
groupby（）
将组列作为额外索引添加到结果中，这使得其索引不同于原始数据帧，因此无法轻松为其分配数据帧。避免将组列添加为键，这样，只要每一行都有唯一的索引，就可以进行赋值。好吧，这和mutate一样实用。mutate的最大优点是，您可以在pipiline中创建一个新变量并保持链接，而这需要您专门指定一行来指定新列。难道没有一个“inplace=True”的方法来为panda创建一个额外的列吗？如果我们想在同一个调用中分配两个以上的列，每个列都使用
.groupby（['a'，'b']）
？有没有比像这样对每一列重复groupby方法更“整洁”的方法
df=df.assign（c_lag1=lambda x:x['c'].groupby（['a'，'b']）.shift（-1），c_lag2=lambda x:x['c'].groupby（['a'，'b']）.shift（-2））

您能否进一步解释为什么我们需要

分配
中的
lambda
？我搞不懂
x
指的是什么。原始
DataFrame
或某些子组？lambda表达式是编写一行一个关键字函数的方法。在
assign
方法
x
中使用它时，调用原始数据帧，其中包含当前方法链上游已经进行的所有更改。这仍然是最好的方法吗？在熊猫1.0中有更好的方法吗？…，这种方法是我发现的最好的方法，但是它似乎不是很有效（当你只需要一列时，对所有列进行转换（'sum'））。mutate的另一个真正强大的部分是不需要作用域，你可以简单地编写c/sum（cd）它知道它指的是来自左边的数据帧。我觉得用python编写lambda g:g.c/（g.cg.d）.sum（）@jedi是没有必要的冗长和混乱的，我同意，但当你不得不使用python时，你无能为力。。。
df['ratio'] = df.groupby(['a','b'], group_keys=False)\
    .apply(lambda g: (g.c * g.d).sum() )