python - groupby、apply 和 set 没有按预期运行……这是一个错误吗？

Question

要查看问题，请考虑以下数据框

In [66]: dat = pandas.DataFrame(['a','b','c','d','e','f','g','h'],
                        columns=['letters'])

In [67]: dat['numbers'] = pandas.Series([1,2,3,4,5,6,7,8])

In [68]: dat['names'] = pandas.Series(['jim','jan','jerry','george'
                        ,'mary','mary','sue','sue'])

In [69]: dat
Out[69]:
  letters  numbers   names
0       a        1     jim
1       b        2     jan
2       c        3   jerry
3       d        4  george
4       e        5    mary
5       f        6    mary
6       g        7     sue
7       h        8     sue

按名称分组

In [78]: dat = dat.groupby(['names'])[['letters']]

现在我尝试连接字母会产生一个有趣的结果:

In [80]: dat.apply(lambda x: '|'.join(set(x)))
Out[80]:
names
george    letters|numbers|names
jan       letters|numbers|names
jerry     letters|numbers|names
jim       letters|numbers|names
mary      letters|numbers|names
sue       letters|numbers|names
dtype: object

以下 hack 似乎有效，但为什么我需要再次选择“字母”，为什么上面的输出看起来像它一样？

In [84]: dat.apply(lambda x: '|'.join(set(x['letters'])))
Out[84]:
names
george      d
jan         b
jerry       c
jim         a
mary      e|f
sue       h|g
dtype: object

这可能是一个错误吗？

已安装的版本

提交:无 python :2.7.5.final.0 python 位:64 操作系统: Darwin 操作系统版本:13.1.0 机器:x86_64 处理器:i386 字节顺序:小 LC_ALL:无 语言:en_US.UTF-8

Pandas :0.13.1 赛通:0.20.1 NumPy 的:1.6.2 科学:0.11.0 统计模型:0.5.0 IPython:2.0.0 狮身人面像:1.2.2 帕齐:0.2.1 scikits.timeseries:无 日期实用程序:1.5 皮茨:2012d 瓶颈:无 表:无 数字表达式:无 matplotlib:1.1.1 openpyxl:无 xlrd:无 xlwt:无 xlsxwriter:无 sqlalchemy:无 lxml:3.3.5 bs4:4.3.2 html5lib:无 bq:无 apiclient:无

Answer 1

这可能看起来有点奇怪，但正如您所见，DataFrame 的集合是它的列:

In [11]: dat
Out[11]:
  letters  numbers   names
0       a        1     jim
1       b        2     jan
2       c        3   jerry
3       d        4  george
4       e        5    mary
5       f        6    mary
6       g        7     sue
7       h        8     sue

[8 rows x 3 columns]

In [12]: set(dat)
Out[12]: {'letters', 'names', 'numbers'}

这是由于您循环访问 DataFrame 的方式(按列)​​:

In [13]: for i in dat: print(i)
letters
numbers
names

这将适用于 SeriesGroupBy(遍历 Series 遍历其元素):

In [21]: g = dat.groupby(['names'])['letters']

In [22]: g.apply(lambda x: '|'.join(set(x)))
Out[22]:
names
george      d
jan         b
jerry       c
jim         a
mary      e|f
sue       h|g
dtype: object

注意:您不需要集合，甚至不需要 lambda:

In [23]: g.apply('|'.join)
Out[23]:
names
george      d
jan         b
jerry       c
jim         a
mary      e|f
sue       g|h
dtype: object