У меня есть DataFrame со многими описательных колоннами и несколько столбцов значений, например, следующие, где val1
и val2
ценности, а все остальное описывает эти значения:Совокупные (сумма) DataFrame через одну колонку или уровень мультииндексных
In [58]: countries = ['X', 'Y', 'Z']; sectors = ['A', 'B', 'C']
In [59]: ch = np.random.choice
In [61]: df = pd.DataFrame(dict(c=ch(countries, 100), s1=ch(sectors, 100), s2=ch(sectors, 100), is_good=ch([True, False], 100), val1=np.random.random(100), val2=np.random.random(100)))
In [62]: df.head()
Out[62]:
c is_good s1 s2 val1 val2
0 Z True B B 0.694949 0.145197
1 X True A A 0.319551 0.548003
2 X False A C 0.946967 0.220035
3 X False B A 0.998087 0.902530
4 Y False B C 0.303517 0.660556
Скажите, что меня не интересует, является ли значение «хорошим» или нет, поэтому я хочу суммировать столбцы значений над is_good
.
Обычно я хотел бы сделать:
In [63]: df.set_index(['c', 's1', 's2', 'is_good']).sum(level=['c', 's1', 's2'])
Out[63]:
val1 val2
c s1 s2
X A A 2.170132 1.999072
B 2.038995 3.528096
C 4.041300 3.150400
B A 2.418448 2.011886
B 1.212810 1.489008
C 0.284823 0.961956
, но это становится немного неуклюжим и подвержен ошибкам, когда есть много описательных колонн. (Это хорошо, но если бы было еще несколько, это было бы уже тяжело.)
Я действительно ищу операцию, которая указывает столбец is_good
, а не specifying everything but that column.
+1 для использования 'df.columns.difference'. Никогда не видел этого раньше! Я всегда делаю '[c для c в df.columns, если c не в (some_list)]', но это slicker! Вам даже не нужны бит 'set()'. – LondonRob
Да, вы также можете использовать операции набора по индексам типа '&, -, |, ^', но есть предупреждения об устаревании. Вместо этого рекомендуется использовать именованные методы, такие как '.intersection, .diff, .union, .sym_diff' и т. Д. Я отредактировал ответ, чтобы удалить ненужные вызовы' set' – JoeCondron
Чтобы уточнить, все эти операции могут быть выполняется как по индексам строк, так и по столбцам – JoeCondron