枚举 DataFrame 中每个组的每一行答案

【问题标题】：Enumerate each row for each group in a DataFrame枚举 DataFrame 中每个组的每一行
【发布时间】：2013-06-18 04:05:04
【问题描述】：

在 pandas 中，如何添加一个新列来根据给定的分组枚举行？

例如，假设以下 DataFrame：

import pandas as pd
import numpy as np

a_list = ['A', 'B', 'C', 'A', 'A', 'C', 'B', 'B', 'A', 'C']
df = pd.DataFrame({'col_a': a_list, 'col_b': range(10)})
df
  col_a  col_b
0     A      0
1     B      1
2     C      2
3     A      3
4     A      4
5     C      5
6     B      6
7     B      7
8     A      8
9     C      9

我想添加一个col_c，它根据col_a 的分组和col_b 的排序为我提供“组”的第N 行。

期望的输出：

  col_a  col_b  col_c
0     A      0      1
3     A      3      2
4     A      4      3
8     A      8      4
1     B      1      1
6     B      6      2
7     B      7      3
2     C      2      1
5     C      5      2
9     C      9      3

我很难找到col_c。您可以使用 .sort_index(by=['col_a', 'col_b']) 进行正确的分组和排序，现在只需访问该新列并标记每一行。

【问题讨论】：

标签： python pandas

【解决方案1】：

cumcount，正是这种情况：

df['col_c'] = g.cumcount()

正如文档中所说：

将每个组中的每个项目编号从 0 到该组的长度 - 1。

原始答案（在定义 cumcount 之前）。

您可以创建一个辅助函数来执行此操作：

def add_col_c(x):
    x['col_c'] = np.arange(len(x))
    return x

首先按 col_a 列排序：

In [11]: df.sort('col_a', inplace=True)

然后将此函数应用于每个组：

In [12]: g = df.groupby('col_a', as_index=False)

In [13]: g.apply(add_col_c)
Out[13]:
  col_a  col_b  col_c
3     A      3      0
8     A      8      1
0     A      0      2
4     A      4      3
6     B      6      0
1     B      1      1
7     B      7      2
9     C      9      0
2     C      2      1
5     C      5      2

为了得到1,2,...，你可以使用np.arange(1, len(x) + 1)。

【讨论】：

这基本上回答了这个问题——尽管 gjreda 要求枚举 col_a 并按 col_b 排序。
太棒了，谢谢@AndyHayden。知道这将是一个 groupby，但无法弄清楚如何正确应用它。

【解决方案2】：

给定的答案都涉及为每个组调用一个 python 函数，如果你有很多组，矢量化方法应该更快（我没有检查过）。

这是我纯粹的 numpy 建议：

In [5]: df.sort(['col_a', 'col_b'], inplace=True, ascending=(False, False))
In [6]: sizes = df.groupby('col_a', sort=False).size().values
In [7]: df['col_c'] = np.arange(sizes.sum()) - np.repeat(sizes.cumsum() - sizes, sizes)
In [8]: print df
  col_a  col_b  col_c
9     C      9      0
5     C      5      1
2     C      2      2
7     B      7      0
6     B      6      1
1     B      1      2
8     A      8      0
4     A      4      1
3     A      3      2
0     A      0      3

【讨论】：

【解决方案3】：

您可以定义自己的函数来处理它：

In [58]: def func(x):
   ....:     x['col_c'] = x['col_a'].argsort() + 1 
   ....:     return x
   ....: 

In [59]: df.groupby('col_a').apply(func)
Out[59]: 
  col_a  col_b  col_c
0     A      0      1   
3     A      3      2   
4     A      4      3   
8     A      8      4   
1     B      1      1   
6     B      6      2   
7     B      7      3   
2     C      2      1   
5     C      5      2   
9     C      9      3

【讨论】：