兩天前的新問題。當(dāng)您擁有大量數(shù)據(jù)時(shí)，PANDAS 可以讓您在生成統(tǒng)計(jì)數(shù)據(jù)的同時(shí)就地過濾內(nèi)容，因此您不必為所有內(nèi)容創(chuàng)建新的數(shù)據(jù)框?，F(xiàn)在，我懷疑這樣做有細(xì)微差別，因?yàn)橐詢煞N不同的方式做事 - 一種是“智能”方式，一種是“明確”方式，給了我非常不同的答案，一種顯然是正確的（明確的），一個(gè)顯然是錯(cuò)誤的（聰明的方式）。有人可以指出我所缺少的方向。這是細(xì)節(jié)。我有 250 萬行數(shù)據(jù)，描述了一系列不同設(shè)備類型的故障時(shí)間。其中兩個(gè)的描述性統(tǒng)計(jì)數(shù)據(jù)如下。（請(qǐng)注意，這些實(shí)際上是采礦設(shè)備，但我必須清理一些東西，所以我已經(jīng)替換了名稱）。 Count Min Mean MaxCC_CauseLocationEquipmentType Coffee Machines 204136 0.000556 71.797146 23407.41667Blenders 52424 0.008333 750.880591 23077.79167如果我嘗試獲取設(shè)備故障時(shí)間的分位數(shù)，使用print(df2.groupby("CC_CauseLocationEquipmentType").quantile([.1, .25, .5, .75,0.9,0.95,0.99,0.99999]))然后我看到以下分位數(shù)。
2 回答
滄海一幻覺
TA貢獻(xiàn)1824條經(jīng)驗(yàn) 獲得超5個(gè)贊
很有意思。至少在我的 Pandas (0.25.1) 版本中顯然存在一個(gè) bug df.groupby(...).quantile(<array-like>)。該代碼路徑是不同的，甚至在非常簡單的例子中似乎也被打破了，比如：
df = pd.DataFrame(
{"A": [0., 0., 0.], "B": ["X", "Y", "Z"]}
)
result = df.groupby("B").quantile([0.5, 0.9])
雖然它適用于 2 元素版本：
df = pd.DataFrame(
{"A": [0., 0.], "B": ["X", "Y"]}
)
result = df.groupby("B").quantile([0.5, 0.9])
我會(huì)避免在類似數(shù)組的對(duì)象上使用 groupby 和分位數(shù)，直到代碼被修復(fù)，即使在它現(xiàn)在可以工作的情況下也是如此，因?yàn)樗芸赡苋菀壮鲥e(cuò)。
Blame 還顯示了很多相當(dāng)新鮮的更新（10 個(gè)月、16 個(gè)月）也正是處理這些代碼片段。
慕妹3242003
TA貢獻(xiàn)1824條經(jīng)驗(yàn) 獲得超6個(gè)贊
您在兩個(gè)示例中都看不到分位數(shù)在起作用。只有零，每個(gè)組只有一個(gè)元素，所以結(jié)果總是零。還是我在這里錯(cuò)了？
我有 pandas 0.25.3 并獲得有用的結(jié)果
import pandas as pd
df = pd.DataFrame(
{"A": [1., 2., 3., 4., 5., 6.], "B": ["X", "X", "Y", "Y", "Z", "Z"]}
)
result = df.groupby("B").quantile([0.5, 0.9])
print(result)
輸出：
A
B
X 0.5 1.5
0.9 1.9
Y 0.5 3.5
0.9 3.9
Z 0.5 5.5
0.9 5.9
如果它適用于傳遞給你的單個(gè)數(shù)字，quantiles()你可以破解類似
q = [0.2, 0.5, 0.9]
res = [df.groupby("B").quantile(_).loc['X', 'A'] for _ in q]
df_q = pd.DataFrame({'A':res, 'quantiles':q})
print(df_q)
輸出：
A quantiles
0 1.2 0.2
1 1.5 0.5
2 1.9 0.9
直到它被修復(fù)。
添加回答
舉報(bào)
0/150
提交
取消