python - Groupby 应用自定义函数 Pandas

Question

我正在尝试在 pandas 中应用自定义函数，类似于 dplyr 中的 groupby 和 mutate 功能。

我想做的是给定一个像这样的 pandas 数据框:

df = pd.DataFrame({'category1':['a','a','a', 'b', 'b','b'],
  'category2':['a', 'b', 'a', 'b', 'a', 'b'],
  'var1':np.random.randint(0,100,6),
  'var2':np.random.randint(0,100,6)}
)

df
  category1 category2  var1  var2
0         a         a    23    59
1         a         b    54    20
2         a         a    48    62
3         b         b    45    76
4         b         a    60    26
5         b         b    13    70

应用一些返回与组中元素数相同的元素数的函数:

def myfunc(s):
  return [np.mean(s)] * len(s)

得到这个结果

df
  category1 category2  var1  var2   var3
0         a         a    23    59   35.5
1         a         b    54    20   54
2         a         a    48    62   35.5
3         b         b    45    76   29
4         b         a    60    26   60
5         b         b    13    70   29

我在想一些类似的事情:

df['var3'] = df.groupby(['category1', 'category2'], group_keys=False).apply(lambda x: myfunc(x.var1))

但未能获得匹配的索引。

在带有 dplyr 的 R 中，这将是

df <- df %>%
  group_by(category1, category2) %>%
  mutate(
    var3 = myfunc(var1)
  )

所以我能够通过使用像这样的自定义函数来解决它:

def myfunc_data(data):

  data['var3'] = myfunc(data.var1)
  return data

和

df = df.groupby(['category1', 'category2']).apply(myfunc_data)

但我想我仍然想知道是否有一种方法可以在不定义此自定义函数的情况下做到这一点。

Answer 1

使用GroupBy.transform返回与原始 DataFrame 大小相同的 Series，因此可以分配给新列:

np.random.seed(123)

df = pd.DataFrame({'category1':['a','a','a', 'b', 'b','b'],
  'category2':['a', 'b', 'a', 'b', 'a', 'b'],
  'var1':np.random.randint(0,100,6),
  'var2':np.random.randint(0,100,6)}
)

df['var3'] = df.groupby(['category1', 'category2'])['var1'].transform(myfunc)
print (df)
  category1 category2  var1  var2  var3
0         a         a    66    86    82
1         a         b    92    97    92
2         a         a    98    96    82
3         b         b    17    47    37
4         b         a    83    73    83
5         b         b    57    32    37

使用 lambda 函数 的替代方法:

df['var3'] = (df.groupby(['category1', 'category2'])['var1']
                .transform(lambda s: [np.mean(s)] * len(s)))