Skip to main content
 首页 » 编程设计

python之Pandas 选择成可迭代变量

2025年02月15日9txw1958

我想要完成的事情的大图是这样的:

我想选择我们亏本出售的部分,将它们放入列表中,然后遍历列表并使用 .agg() 进行一些分析。

这是一个包含一些数据和示例输出的示例 CSV 文件的链接:

https://drive.google.com/open?id=0B4xdnV0LFZI1RktqR0dVWVZEYkU

到目前为止,这是我的代码:

import pandas as pd 
df = pd.DataFrame 
df =  pd.read_csv('SO_Sample.csv') 
dfLoss = df[(df['Profit/Loss'] < 0)] 
 
part_count = pd.DataFrame 
part_count =   (dfLoss.groupby(['Part','Rev'])[['Serial_No']].count()) 
print(part_count) 

我得到了一个结果集,这就是我卡住的地方。

我不知道如何从 Pandas 的分组选择中分配成对的可迭代变量。一旦我能做到这一点,我想遍历原始 df 并获取零件和转速组合的历史摘要数据。

这让我想到了第二个问题,Pandas 拼图的组合部分 - 将返回的数据全部放在一起。

最终输出看起来像这样:

Part    Rev    Serial_No    Profit/Loss    Count    Min    Max    Mean    Std 

['Part', 'Rev', 'Serial_No', 'Profit/Loss'] 将来自原始 df,然后是 ['count', 'min', 'max', 'mean', ' std'] 将是所有历史部分记录的总和。

如果这确实是第二个问题,我会单独发布,但我正在费力(一点点)试图找出第一部分。

预先感谢您的帮助!

请您参考如下方法:

试试这个:

In [48]: (df[df[['Part','Rev']].isin(dfLoss[['Part','Rev']]).all(1)] 
    ...:    .groupby(['Part','Rev','Serial_No']) 
    ...:    .agg({'Profit/Loss':['count','min','max','std']}) 
    ...: ) 
    ...: 
Out[48]: 
                        Profit/Loss 
                              count   min   max std 
Part      Rev Serial_No 
Table leg a   S12369              1 -19.0 -19.0 NaN 
          b   S12349              1 -34.0 -34.0 NaN 
          c   S12359              1 -57.0 -57.0 NaN 
Widget    a   S12345              1  -4.0  -4.0 NaN 
wrench    a   S12360              1 -99.0 -99.0 NaN 
          b   S12370              1 -22.0 -22.0 NaN 
          c   S12350              1 -15.0 -15.0 NaN 

或:

In [49]: (df[df[['Part','Rev']].isin(dfLoss[['Part','Rev']]).all(1)] 
    ...:    .groupby(['Part','Rev','Serial_No'], as_index=False) 
    ...:    .agg({'Profit/Loss':['count','min','max','std']}) 
    ...: ) 
    ...: 
Out[49]: 
        Part Rev Serial_No Profit/Loss 
                                 count   min   max std 
0  Table leg   a    S12369           1 -19.0 -19.0 NaN 
1  Table leg   b    S12349           1 -34.0 -34.0 NaN 
2  Table leg   c    S12359           1 -57.0 -57.0 NaN 
3     Widget   a    S12345           1  -4.0  -4.0 NaN 
4     wrench   a    S12360           1 -99.0 -99.0 NaN 
5     wrench   b    S12370           1 -22.0 -22.0 NaN 
6     wrench   c    S12350           1 -15.0 -15.0 NaN 

解释:

In [53]: df[['Part','Rev']].isin(dfLoss[['Part','Rev']]) 
Out[53]: 
      Part    Rev 
0     True   True 
1    False  False 
2    False  False 
3    False  False 
4     True   True 
5     True   True 
..     ...    ... 
493  False  False 
494  False  False 
495  False  False 
496  False  False 
497  False  False 
498  False  False 
 
[499 rows x 2 columns] 
 
In [54]: df[['Part','Rev']].isin(dfLoss[['Part','Rev']]).all(1) 
Out[54]: 
0       True 
1      False 
2      False 
3      False 
4       True 
5       True 
       ... 
493    False 
494    False 
495    False 
496    False 
497    False 
498    False 
dtype: bool