pandas ：为groupby使用一列，并获取多个其他列的统计数据 [英] Pandas: use one column for groupby and get stats for multiple other columns

问题描述

我有一个3列的数据框，

  ID col1 col2 
 A1 1 12 
 A1 3 10 
 A1 4 16 
 ........ 
 A9 9 18 
 A9 7 11 
 A9 8 15 
  

我想用列创建一个新的数据框：

  ID col1_min，col1_max，col2_min，col2_max。 
 
 A1 1 4 10 16 
 ........... 
 A9 7 9 11 18 
  

我可以使用groupby来做到这一点

  col1_min = df .groupby（['ID']）['col1']。min（）
 col1_max = df.groupby（['ID']）['col1']。max（）
 col2_min = df .groupby（['ID']）['col2']。min（）
 col2_max = df.groupby（['ID']）['col2']。max（）
 
 df2 = pd.DataFrame（{'col1_min'：col1_min，'col1_max'：col1_max，'col2_min'：col2_min，'col2_max'：col2_max}）
  

必须有一种更好更优雅的方式（单行）？

非常感谢您提前。

解决方案

  df.groupby（'ID'）。agg（['min'，'max'] ）
 
 col1 col2 
 min最小值最大值
 ID 
 A1 1 4 10 16 
 A9 7 9 11 18 
  

---

展开圆柱ns with

  d = df.groupby（'ID'）。agg（['min'，'max']）
 d.columns = d.columns.map（'_'。join）
d 
 
 col1_min col1_max col2_min col2_max 
 ID 
 A1 1 4 10 16 
 A9 7 9 11 18 
  

---

如果您的列标题是数字，你可以使用

  d = df.groupby（'ID'）。agg（['min'， 'max']）
 d.columns = d.columns.map（'{0 [0]} _ {0 [1]}'。格式）
d 
 
 col1_min col1_max col2_min col2_max 
 ID 
 A1 1 4 10 16 
 A9 7 9 11 18 
  

---

最后， reset_index 可以索引回数据框。

  d = df.groupby（'ID'）。agg（['min'，'max']）
 d.column s = d.columns.map（'{0 [0]} _ {0 [1]}'。格式）
 d.reset_index（）
 
 ID col1_min col1_max col2_min col2_max 
 0 A1 1 4 10 16 
 1 A9 7 9 11 18 
  

I hv a data frame with 3 columns,

ID col1 col2 
A1 1 12
A1 3 10
A1 4 16
........
A9 9 18
A9 7 11
A9 8 15

I want to create a new data frame with columns:

ID col1_min, col1_max, col2_min, col2_max.

A1 1         4         10        16
...........
A9 7         9         11        18

I can do this by using groupby

col1_min = df.groupby(['ID'])['col1'].min()
col1_max = df.groupby(['ID'])['col1'].max()
col2_min = df.groupby(['ID'])['col2'].min()
col2_max = df.groupby(['ID'])['col2'].max()

df2 = pd.DataFrame({'col1_min':col1_min, 'col1_max':col1_max, 'col2_min':col2_min, 'col2_max':col2_max})

There must be a better and more elegant way (one liner) ?

Many thanks in advance.

解决方案

df.groupby('ID').agg(['min', 'max'])

   col1     col2    
    min max  min max
ID                  
A1    1   4   10  16
A9    7   9   11  18

---

Flatten the columns with

d = df.groupby('ID').agg(['min', 'max'])
d.columns = d.columns.map('_'.join)
d

    col1_min  col1_max  col2_min  col2_max
ID                                        
A1         1         4        10        16
A9         7         9        11        18

---

If your columns headers are numeric, you can use

d = df.groupby('ID').agg(['min', 'max'])
d.columns = d.columns.map('{0[0]}_{0[1]}'.format)
d

    col1_min  col1_max  col2_min  col2_max
ID                                        
A1         1         4        10        16
A9         7         9        11        18

---

Finally, reset_index to get index back in dataframe proper.

d = df.groupby('ID').agg(['min', 'max'])
d.columns = d.columns.map('{0[0]}_{0[1]}'.format)
d.reset_index()

   ID  col1_min  col1_max  col2_min  col2_max
0  A1         1         4        10        16
1  A9         7         9        11        18

这篇关于 pandas ：为groupby使用一列，并获取多个其他列的统计数据的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！