如何比较数据帧的聚合部分？

Question

是否可以比较数据框中的部分列？我有下面的Dataframe示例，其中保存了4种语言（en、de、nl、ua），每种语言都应该具有相同的键/相同数量的键，但具有不同的值（将static列保留在那里以供完成，因为我确实有一个静态列，其值始终保持不变）。你知道吗

static  │ langs   │ keys   │ values

x       │ en      │ key_1  │ value_en_1
x       │ en      │ key_2  │ value_en_2
x       │ en      │ key_3  │ value_en_3
x       │ de      │ key_1  │ value_de_1
x       │ de      │ key_2  │ value_de_2
x       │ de      │ key_3  │ value_de_3
x       │ nl      │ key_1  │ value_nl_1
x       │ nl      │ key_2  │ value_nl_2
x       │ ua      │ key_1  │ value_ua_1

我需要检查每种语言与英语（这里是“en”）相比缺少了哪些键和多少键，因此类似这样的内容将是所需的输出：

│ Lang │ Static   │ # Missing │ Keys          │ 
│ de   │ x        │ 0         │               │ 
│ nl   │ x        │ 1         │ key_3         │ 
│ ua   │ x        │ 2         │ key_2, key_3  │

这是我目前的进展：

import pandas as pd

# this is read from a csv, but I'll leave it as list of lists for simplicity
rows = [
    ['x', 'en', 'key_1', 'value_en_1'],
    ['x', 'en', 'key_2', 'value_en_2'],
    ['x', 'en', 'key_3', 'value_en_3'],
    ['x', 'de', 'key_1', 'value_de_1'],
    ['x', 'de', 'key_2', 'value_de_2'],
    ['x', 'de', 'key_3', 'value_de_3'],
    ['x', 'nl', 'key_1', 'value_nl_1'],
    ['x', 'nl', 'key_2', 'value_nl_2'],
    ['x', 'ua', 'key_1', 'value_en_1']
]

# create DataFrame out of rows of data
df = pd.DataFrame(rows, columns=["static", "language", "keys", "values"])
# print out DataFrame
print("Dataframe: ", df)

# first group by language and the static column
df_grp = df.groupby(["static", "language"])

# try to sum the number of keys and values per each language
df_summ = df_grp.agg(["count"])

# print out the sums
print()
print(df_summ)

# how to compare?
# how to get the keys?

这是df_summ的输出：

                 keys values
                count  count
static language             
x      de           3      3
       en           3      3
       nl           2      2
       ua           1      1

在这一点上我不知道如何继续。我很感激你的帮助/提示。你知道吗

另外，这是在python3.5上实现的。你知道吗

Answer 1

# First we group with `language` and aggregate `static` with `min` (it's always the same anyway)
# and `keys` with a lambda function that creates a `set`.
In [2]: grouped = df.groupby('language').agg({'static': 'min', 'keys': lambda x: set(x)})

# Then we get the missing keys...
In [3]: missing = (grouped['keys']['en'] - grouped['keys'])

# ... and count them
In [4]: missing_counts = missing.apply(len).rename('# Missing')

# Then we join all of this together and replace the keys with a joined string.
In [5]: grouped.drop('keys', axis=1).join(missing_counts).join(missing.apply(', '.join)).reset_index()
Out[5]:
  language static  # Missing          keys
0       de      x          0
1       en      x          0
2       nl      x          1         key_3
3       ua      x          2  key_2, key_3