pandas 不同分类每天指定取值的比例

看过来

《pandas 教程》持续更新中，提供建议、纠错、催更等加作者微信: gairuo123（备注：pandas教程）和关注公众号「盖若」ID: gairuo。跟作者学习，请进入 Python学习课程。欢迎关注作者出版的书籍：《深入浅出Pandas》和《Python之光》。

本例我们将进行分组计算，分组后得到一个堆叠数据，并对堆叠数据解除堆叠，最后再按要求格式化为百分数样式。此类操作会经常发生在业务数据透视场景下，一般都会有 Excel 来操作完成，今天我们使用 Python 的 pandas 的完成。

数据与需求

需求的源数据如下：

import pandas as pd
from io import StringIO

data = '''
CustomerID Category Repeat Date
1 A Y 2022-01-10
2 B N 2022-01-10
3 A N 2022-02-10
4 A N 2022-01-10
5 B Y 2022-01-10
6 B Y 2022-02-10
7 A Y 2022-01-10
8 B N 2022-02-10
9 A Y 2022-02-10
10 A N 2022-01-10
11 A Y 2022-02-10
12 B N 2022-01-10
13 A N 2022-01-10
14 A N 2022-02-10
15 B Y 2022-02-10
16 B Y 2022-01-10
17 A Y 2022-01-10
18 B N 2022-02-10
19 A Y 2022-02-10
20 A N 2022-01-10
'''

df = pd.read_csv(StringIO(data), sep=' ')
df
# ...

期望按 Category 分组，得到每日 Repeat 列 Y 值的占比，即 Y/(Y+N) 的百分比，结果如下：

'''
Date      2022-01-10  2022-02-10
Category                        
A           42.86%         60.00%
B           50.00%         50.00%
'''

接下来，我们分析下需求和方案。

思路

根据需求要求，要按 ['Category', 'Date'] 进行分组，分组后最关键的是计算 Y 值的占比，计算占比可以写一个函数，先计算 Y 的取值数据再除以当前组的总值数。

得到的分组数据是一个堆叠形式的数据，将其解除堆叠，第二层索引会出现在行索引上。

最后再利用 DataFrame 的 style 对象应用 format 方法进行百分数的格式化。

代码

按照思路，先进行分组：

df.groupby(['Category', 'Date'])
# <pandas.core.groupby.generic.DataFrameGroupBy
# object at 0x7fa6e467edd0>

此时得到的是一个分组对象，每个分组包含各组的子 DataFrame。在计算时，只需要 Repeat 参与计算，因此我们可以取分组对象的 Repeat 的列，就得到了几个 Repeat 分组的子 Series。

df.groupby(['Category', 'Date']).Repeat
# <pandas.core.groupby.generic.SeriesGroupBy
# object at 0x7fa6e81cfeb0>

然后对这个分组对象应用函数：

(
    df.groupby(['Category', 'Date'])
    .Repeat
    .apply(lambda x: (x=='Y').sum()/x.count())
)
'''
Category  Date
A         2022-01-10    0.428571
          2022-02-10    0.600000
B         2022-01-10    0.500000
          2022-02-10    0.500000
Name: Repeat, dtype: float64
'''

定义的 lambda 函数中，(x=='Y') 得到一个布尔序列，代表子 Series 对应位置上的是否为 Y，由于 sum() 求值时， True 为 1，可以计算出有多少个 True，即得到有多少个值为 Y。分母上的 x.count() 表示子序列有多少个值。

上边代码得到的结果就是按 Category 分组下的每天 Y 值的占比。由于结果是一个堆叠形式，我们使用 unstack() 解除堆叠：

(
    df.groupby(['Category', 'Date'])
    .Repeat
    .apply(lambda x: (x=='Y').sum()/x.count())
    .unstack()
)
'''
Date      2022-01-10  2022-02-10
Category
A           0.428571         0.6
B           0.500000         0.5
'''

这样，Date 列就成为了列索引。

最后，使用 DataFrame 的 style 对象应用 format 方法进行百分数的格式化。

最终代码为：

(
    df.groupby(['Category', 'Date'])
    .Repeat
    .apply(lambda x: (x=='Y').sum()/x.count())
    .unstack()
    .style
    .format("{:.2%}")
)
'''
Date      2022-01-10  2022-02-10
Category
A           42.86%         60.00%
B           50.00%         50.00%
'''

这样我们就实现了需求。

（完）

pandas 不同分类每天指定取值的比例

数据与需求

思路

代码

相关内容