如何使用组的不同组合，同时试图获得最多的浏览量

Question

我试图获得最高的评价使用多栏groupby，如果没有组合，特别groupby，它抛出了一个错误。如何进行多重组合？你知道吗

数据：

maritalstatus   gender age_range occ    rating
ma                 M    young   student  PG
ma                 F    adult   teacher  R
sin                M    young   student  PG
sin                M    adult   teacher  R
ma                 M    young   student  PG
sin                F    adult   teacher  R

代码：

def get_top( maritalstatus, gender,age_range, occ):        
    m = df.groupby(['maritalstatus',' gender', 'age_range', 'occ'])
    ['rating'].apply(lambda x: x.value_counts().index[0 ])      
    mpaa = m[maritalstatus][gender][age_range][occ]    
    return mpaa

输入：

get_top('ma', 'M', 'young','teacher)

输出： 给我一个错误，因为没有这样的组合。你知道吗

在这里，如果没有这样的组合，我的功能应该限制在，已婚，男性和年轻人，而不是教师，因为没有这样的组合。你知道吗

Answer 1

^{}绝对是处理详细表格数据的goto库。对于那些寻求非pandas选项的人，您可以构建自己的映射和还原函数。我使用这些术语的含义如下：

• 映射：重新组织按所需查询分组的数据
• 归约函数：一种聚合函数，用于将多个值归并成一个值

pandas类似的groupby/聚合概念。你知道吗

给定的

用单个分隔符替换多个空格的已清理数据，例如","。你知道吗

%%file "test.txt"
status,gender,age_range,occ,rating
ma,M,young,student,PG
ma,F,adult,teacher,R
sin,M,young,student,PG
sin,M,adult,teacher,R
ma,M,young,student,PG
sin,F,adult,teacher,R

代码

import csv
import collections as ct

步骤1：读取数据

def read_file(fname):
    with open(fname, "r") as f:
        reader = csv.DictReader(f)
        for line in reader:
            yield line


iterable = [line for line in read_file("test.txt")]
iterable

输出

[OrderedDict([('status', 'ma'),
              ('gender', 'M'),
              ('age_range', 'young'),
              ('occ', 'student'),
              ('rating', 'PG')]),
 OrderedDict([('status', 'ma'),
              ('gender', 'F'),
              ('age_range', 'adult'),
              ...]
 ...
] 

第2步：重新映射数据

def mapping(data, column):
    """Return a dict of regrouped data."""
    dd = ct.defaultdict(list)
    for d in data:
        key = d[column]
        value = {k: v for k, v in d.items() if k != column}
        dd[key].append(value)
    return dict(dd)


mapping(iterable, "gender")

输出

{'M': [
   {'age_range': 'young', 'occ': 'student', 'rating': 'PG', ...},
   ...]
 'F': [
   {'status': 'ma', 'age_range': 'adult', ...},
   ...]
} 

第3步：减少数据

def reduction(data):
    """Return a reduced mapping of Counters."""
    final = {}
    for key, val in data.items():
        agg = ct.defaultdict(ct.Counter)
        for d in val:
            for k, v in d.items():
                agg[k][v] += 1
        final[key] = dict(agg)
    return final

reduction(mapping(iterable, "gender"))

输出

{'F': {
   'age_range': Counter({'adult': 2}),
   'occ': Counter({'teacher': 2}),
   'rating': Counter({'R': 2}),
   'status': Counter({'ma': 1, 'sin': 1})},
 'M': {
   'age_range': Counter({'adult': 1, 'young': 3}),
   'occ': Counter({'student': 3, 'teacher': 1}),
   'rating': Counter({'PG': 3, 'R': 1}),
   'status': Counter({'ma': 2, 'sin': 2})}
 }

演示

有了这些工具，您可以构建数据管道并查询数据，将一个函数的结果输入到另一个函数中：

# Find the top age range amoung males
pipeline = reduction(mapping(iterable, "gender"))
pipeline["M"]["age_range"].most_common(1)
# [('young', 3)]

# Find the top ratings among teachers
pipeline = reduction(mapping(iterable, "occ"))
pipeline["teacher"]["rating"].most_common()
# [('R', 3)]

# Find the number of married people
pipeline = reduction(mapping(iterable, "gender"))
sum(v["status"]["ma"] for k, v in pipeline.items())
# 3

总的来说，您可以根据如何定义缩减函数来定制输出。你知道吗

注意，这个通用过程的代码比former example更冗长，尽管它对许多数据列有强大的应用。pandas简洁地封装了这些概念。虽然学习曲线最初可能更陡峭，但它可以大大加快数据分析。你知道吗

---

细节

1. 读取数据-我们使用^{}解析清理文件的每一行，它将头名称作为字典的键来维护。这种结构便于按名称访问列。你知道吗
2. 重新映射数据-我们将数据分组为字典。
   • 键是选定/查询列中的项，例如"M"、"F"。你知道吗
   • 每个值都是一个字典列表。每个字典表示一行所有剩余的列数据（不包括键）。你知道吗
3. Reduce data—我们通过将所有列出的字典的相关条目制成表格，来聚合重新映射的数据的值。将^{}和^{}组合在一起可以构建一个优秀的简化数据结构，其中defaultdict的新条目初始化Counter，而重复的条目只是记录观察结果。你知道吗

应用程序

管道是可选的。在这里，我们将构建一个处理串行请求的函数：

def serial_reduction(iterable, val_queries):
    """Return a `Counter` that is reduced after serial queries."""
    q1, *qs = val_queries 
    val_to_key = {v:k for k, v in iterable[0].items()}
    values_list = mapping(iterable, val_to_key[q1])[q1]

    counter = ct.Counter()
    # Process queries for dicts in each row and build a counter
    for q in qs:    
        try:
            for row in values_list[:]:
                if val_to_key[q] not in row:
                    continue
                else:
                    reduced_vals = {v for v in row.values() if v not in qs}
            for val in reduced_vals:
                counter[val] += 1
        except KeyError:
            raise ValueError("'{}' not found. Try a new query.".format(q))
    return counter


c = serial_reduction(iterable, "ma M young".split())
c.most_common()
# [('student', 2), ('PG', 2)]
serial_reduction(iterable, "ma M young teacher".split())
# ValueError: 'teacher' not found. Try a new query.