在熊猫中使用groupby时如何分别对负值和正值求和？

Question

如何在pandas 中对正负值进行不同的求和并将它们放在positive 和negative 列中？

我有如下数据框：

df = pandas.DataFrame({'A' : ['foo', 'bar', 'foo', 'bar', 'foo', 'bar', 'foo', 'foo'],
                   'B' : ['one', 'one', 'two', 'three', 'two', 'two', 'one', 'three'],
                   'C' : np.random.randn(8), 'D' : np.random.randn(8)})

输出如下：

df
     A      B         C         D
0  foo    one  0.374156  0.319699
1  bar    one -0.356339 -0.629649
2  foo    two -0.390243 -1.387909
3  bar  three -0.783435 -0.959699
4  foo    two -1.268622 -0.250871
5  bar    two -2.302525 -1.295991
6  foo    one -0.968840  1.247675
7  foo  three  0.482845  1.004697

我使用下面的代码得到否定：

df['negative'] = df.groupby('A')['C'].apply(lambda x: x[x<0].sum()).reset_index()]

但问题是，当我想将它添加到名为 negative 的 dataframe 列之一时，它会给出错误：

ValueError: Wrong number of items passed 2, placement implies 1

我再次知道groupby 已返回多个列并且无法将其分配给df['negatives'] 的内容，但我不知道如何解决这部分问题。我也需要有积极的col。

期望的结果是：

    A      Positive   Negative
0  foo     0.374156  -0.319699
1  bar     0.356339  -0.629649

什么是问题的正确解决方案？

Answer 1

In [14]:
df.groupby(df['A'])['C'].agg([('negative' , lambda x : x[x < 0].sum()) , ('positive' , lambda x : x[x > 0].sum())])
Out[14]:
     negative   positive
A       
bar -1.418788   2.603452
foo -0.504695   2.880512

Answer 2

您可以在A 和df['C'] > 0 上groupby，然后unstack 结果：

>>> right = df.groupby(['A', df['C'] > 0])['C'].sum().unstack()
>>> right = right.rename(columns={True:'positive', False:'negative'})
>>> right
C    negative  positive
A                      
bar   -3.4423       NaN
foo   -2.6277     0.857

NaN 值是因为所有A == bar 行的C 都具有负值。

如果要将这些添加到与groupby键值对应的原始帧中，即A，则需要左join：

>>> df.join(right, on='A', how='left')
     A      B       C       D  negative  positive
0  foo    one  0.3742  0.3197   -2.6277     0.857
1  bar    one -0.3563 -0.6296   -3.4423       NaN
2  foo    two -0.3902 -1.3879   -2.6277     0.857
3  bar  three -0.7834 -0.9597   -3.4423       NaN
4  foo    two -1.2686 -0.2509   -2.6277     0.857
5  bar    two -2.3025 -1.2960   -3.4423       NaN
6  foo    one -0.9688  1.2477   -2.6277     0.857
7  foo  three  0.4828  1.0047   -2.6277     0.857