Pandas数据帧频率操作

Question

我刚从熊猫开始，我想知道如何计算每个公司每年的文档数量（唯一的）

我的数据是： 测向

  year  document_id  company
0   1999    3     Orange
1   1999    5     Orange
2   1999    3     Orange
3   2001    41    Banana
4   2001    21    Strawberry
5   2001    18    Strawberry
6   2002    44    Orange

最后，我希望有一个像这样的新数据帧

^{pr2}$

我试过了：

count2 = apyData.groupby(['year','company']).agg({'document_id': pd.Series.value_counts})

但是使用groupby操作，我不能有这种结构和计算1999年橙色的唯一值，有没有办法做到这一点？在

泰铢

Answer 1

这将产生所需的输出：

out = pd.DataFrame()
grouped = df.groupby(['year', 'company'])
out['nbDocument'] = grouped.apply(lambda x: list(x['document_id'].drop_duplicates()))
out['document_id'] = out['nbDocument'].apply(lambda x: len(x))
print(out.reset_index().sort_values(['year', 'company']))

   year     company nbDocument  document_id
0  1999      Orange     [3, 5]            2
1  2001      Banana       [41]            1
2  2001  Strawberry   [21, 18]            2
3  2002      Orange       [44]            1

Answer 2

您可以创建一个新的DataFrame，并使用list comprension添加唯一的document_id，如下所示：

result = pd.DataFrame()
result['document_id'] = df.groupby(['company', 'year']).apply(lambda x: [d for d in x['document_id'].drop_duplicates()])

现在您已经有了一个unique document_id的列表，您只需要获得该列表的长度：

^{pr2}$

获得：

result.reset_index().sort_values(['company', 'year'])

      company  year document_id  nbDocument
0      Banana  2001        [41]           1
1      Orange  1999      [3, 5]           2
2      Orange  2002        [44]           1
3  Strawberry  2001    [21, 18]           2