我想在對它進(jìn)行分組后過濾數(shù)據(jù)框，但遇到了一個(gè)鍵錯(cuò)誤，這里是一些示例代碼：df = pd.DataFrame([ [0, 1, 'm', 5.0], [0, 1, 'm', -7.0],[0, 1, 'm', 9.0],[0, 1, 'm', 32.0],[0, 1, 'm', -11.0], [0, 6, 'm', -12.0], [0, 6, 'm', 15.0],[0, 6, 'm', -16.0],[0, 6, 'm', -3.0],[0, 6, 'm', 21.0], [0, 12, 'm', 15.0], [0, 12, 'm', 51.0],[0, 12, 'm', 4.0],[0, 12, 'm', 3.0],[0, 12, 'm', 1.0], [1, 1, 'm', 5.0], [1, 1, 'm', -7.0],[1, 1, 'm', 9.0],[1, 1, 'm', 32.0],[1, 1, 'm', -11.0], [1, 6, 'm', -12.0], [1, 6, 'm', 15.0],[1, 6, 'm', -16.0],[1, 6, 'm', -3.0],[1, 6, 'm', 21.0], [1, 12, 'm', 15.0], [1, 12, 'm', 51.0],[1, 12, 'm', 4.0],[1, 12, 'm', 3.0],[1, 12, 'm', 1.0] ], columns=['id', 'timeperiod', 'timeperiodtype', 'value'])df['good'] = df['value'].apply(lambda x: 1 if x>0 else 0)print(df)print(df[df['timeperiod']>6])df = df[['id', 'timeperiod','timeperiodtype','good']][df['timeperiod']>0].groupby(['id','timeperiod','timeperiodtype']).mean()print(df[df['timeperiod']>6])我想避免使用 reset_index，因?yàn)樵谧罱K代碼中我將有幾個(gè)形狀相似的數(shù)據(jù)幀，我將聚合/合并/連接這些數(shù)據(jù)幀。我確定我一定遺漏了一些明顯的東西。如何使用列名來過濾分組數(shù)據(jù)框？
1 回答
侃侃無極
TA貢獻(xiàn)2051條經(jīng)驗(yàn) 獲得超10個(gè)贊
用于DataFrame.loc按條件和列名過濾，然后用于避免MultiIndex添加DataFrame.reset_index或參數(shù)as_index=False：
df?=?df.loc[df['timeperiod']>0,?['id',?'timeperiod','timeperiodtype','good']].groupby(['id','timeperiod','timeperiodtype']).mean().reset_index()
或者：
df?=?df.loc[df['timeperiod']>0,?['id',?'timeperiod','timeperiodtype','good']].groupby(['id','timeperiod','timeperiodtype'],?as_index=False).mean()
print(df)
? ?id? timeperiod timeperiodtype? good
0? ?0? ? ? ? ? ?1? ? ? ? ? ? ? m? ?0.6
1? ?0? ? ? ? ? ?6? ? ? ? ? ? ? m? ?0.4
2? ?0? ? ? ? ? 12? ? ? ? ? ? ? m? ?1.0
3? ?1? ? ? ? ? ?1? ? ? ? ? ? ? m? ?0.6
4? ?1? ? ? ? ? ?6? ? ? ? ? ? ? m? ?0.4
5? ?1? ? ? ? ? 12? ? ? ? ? ? ? m? ?1.0
print(df[df['timeperiod']>6])
? ?id? timeperiod timeperiodtype? good
2? ?0? ? ? ? ? 12? ? ? ? ? ? ? m? ?1.0
5? ?1? ? ? ? ? 12? ? ? ? ? ? ? m? ?1.0
編輯：
對于過濾器，MuiltiIndex可以使用Index.get_level_values：
df = df.loc[df['timeperiod']>0, ['id', 'timeperiod','timeperiodtype','good']].groupby(['id','timeperiod','timeperiodtype']).mean()
print(df)
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? good
id timeperiod timeperiodtype? ? ??
0? 1? ? ? ? ? m? ? ? ? ? ? ? ? 0.6
? ?6? ? ? ? ? m? ? ? ? ? ? ? ? 0.4
? ?12? ? ? ? ?m? ? ? ? ? ? ? ? 1.0
1? 1? ? ? ? ? m? ? ? ? ? ? ? ? 0.6
? ?6? ? ? ? ? m? ? ? ? ? ? ? ? 0.4
? ?12? ? ? ? ?m? ? ? ? ? ? ? ? 1.0
? ?
print(df[df.index.get_level_values('timeperiod')>6])
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? good
id timeperiod timeperiodtype? ? ??
0? 12? ? ? ? ?m? ? ? ? ? ? ? ? 1.0
1? 12? ? ? ? ?m? ? ? ? ? ? ? ? 1.0
添加回答
舉報(bào)
0/150
提交
取消