识别占总数 90% 的记录

Question

我有一份报告确定了总体数字/趋势的关键驱动因素。我想自动化该功能，以便能够根据该数字的百分比列出/识别基础记录。例如，如果南部（地区）小部件销售的净变化为 -5,000.00，但有正面和负面的影响——我想确定构成该因素的所有潜在驱动因素中至少约 90%（-4,500.00）——从大到小总共 5,000.00。

data

region    OfficeLocation  sales
South     1                -500
South     2                300
South     3                -1000
South     4                -2000
South     5                 300
South     6                -700
South     7                -400
South     8                 800
North     11                300
North     22               -400
North     33                1000
North     44                800
North     55                900
North     66                -800

对于南方，总销售额为 -3200。我想识别/列出至少占此移动 90% 的驱动程序（按降序排列） - 所以 -3200 的 90% 将是 2880。南办公室 3 和 4 的定向移动/销售 = -3000将是此请求的输出：

region    OfficeLocation  sales
South     3                -1000
South     4                -2000

对于 North，总销售额为 +1800。我想确定/列出构成此移动至少 90% 的驱动程序（按降序排列）-因此 1800 的至少 90% 将是 1620。南办公室 3 和 4 的定向移动/销售 = - 3000 将是此请求的输出：

区域办事处位置销售 北 33 1000 北 44 800

上面的数据集有南/北的正面和负面趋势。您能提供的任何帮助将不胜感激！

Answer 1

如评论中所述，尚不清楚在 'North' 案例中该怎么做，因为那里的总和是正数，但忽略这一点，您可以执行以下操作：

In [200]: df[df.groupby('region').sales.apply(lambda g: g <= g.loc[(g.sort_values().cumsum() > 0.9*g.sum()).idxmin()])]
Out[200]:
   region  OfficeLocation  sales
2   South               3  -1000
3   South               4  -2000
13  North              66   -800

如果在肯定的情况下，您希望尽可能少地找到一起具有占销售额总和 90% 的属性的元素，则可以采用上述解决方案：

def is_driver(group):
    s = group.sum()
    if s > 0:
        group *= -1
        s *= -1
    a = group.sort_values().cumsum() > 0.9*s
    return group <= group.loc[a.idxmin()]

In [168]: df[df.groupby('region').sales.apply(is_driver)]
Out[168]:
   region  OfficeLocation  sales
2   South               3  -1000
3   South               4  -2000
10  North              33   1000
12  North              55    900

请注意，在平局的情况下，只会选择一个元素。