Pandas数据帧频率操作

Question

我刚从panda开始，我想知道如何计算每个公司每年的文档数量（唯一）

我的数据是：df

  year  document_id  company
0   1999    3     Orange
1   1999    5     Orange
2   1999    3     Orange
3   2001    41    Banana
4   2001    21    Strawberry
5   2001    18    Strawberry
6   2002    44    Orange

最后，我想要一个像这样的新数据帧

  year    document_id  company nbDocument
0   1999    [3,5]     Orange       2
1   2001    [21]      Banana       1
2   2001    [21,18]   Strawberry   2
3   2002    [44]      Orange       1

我试过了：

count2 = apyData.groupby(['year','company']).agg({'document_id': pd.Series.value_counts})

但是使用groupby操作，我无法拥有这种结构，也无法为1999年的Orange计算唯一值，有办法做到这一点吗？

Thx

Answer 1

您可以创建一个新的DataFrame，并使用list comprension添加唯一的document_id，如下所示：

result = pd.DataFrame()
result['document_id'] = df.groupby(['company', 'year']).apply(lambda x: [d for d in x['document_id'].drop_duplicates()])

现在您有了一个唯一的document_id列表，您只需要获得该列表的长度：

result['nbDocument'] = result.document_id.apply(lambda x: len(x))

获取：

result.reset_index().sort_values(['company', 'year'])
      company  year document_id  nbDocument
0      Banana  2001        [41]           1
1      Orange  1999      [3, 5]           2
2      Orange  2002        [44]           1
3  Strawberry  2001    [21, 18]           2

Answer 2

这会产生所需的输出：

out = pd.DataFrame()
grouped = df.groupby(['year', 'company'])
out['nbDocument'] = grouped.apply(lambda x: list(x['document_id'].drop_duplicates()))
out['document_id'] = out['nbDocument'].apply(lambda x: len(x))
print(out.reset_index().sort_values(['year', 'company']))
   year     company nbDocument  document_id
0  1999      Orange     [3, 5]            2
1  2001      Banana       [41]            1
2  2001  Strawberry   [21, 18]            2
3  2002      Orange       [44]            1