我正在玩 Last.fm数据集。该数据集由用户 ID、艺术家姓名和播放次数组成。像这样:
user artist plays
0 00000c289a1829a808ac09c00daf10bc3c4e223b betty blowtorch 2137
1 00000c289a1829a808ac09c00daf10bc3c4e223b die Ärzte 1099
2 00000c289a1829a808ac09c00daf10bc3c4e223b melissa etheridge 897
3 00000c289a1829a808ac09c00daf10bc3c4e223b elvenking 717
4 00000c289a1829a808ac09c00daf10bc3c4e223b juliette & the licks 706
现在,我要做的是稍微清理一下这些数据。由于许多名称不正确,我想删除所有用户播放次数少于 50 次的艺术家。
我想,我应该使用 groupby 并尝试对它们进行计数。但由于我对 pandas 有点陌生,而且我的数据集非常大,所以我想知道删除这些项目的最佳做法是什么。
长话短说:
移除出现次数最少的艺术家的最佳方法是什么?
附言(编辑):
所需的输出将是一个与输入具有相同架构的数据框,但已播放的艺术家(他们在所有用户上播放的总和)少于特定数量。
PS2: 例如我有这个数据集:
df = pd.DataFrame({
'user': 3 * ('abc'),
'artist': 3 * ('metallica', 'coldplay', 'dfj'),
'plays': [100,24,0,48,135,10,62,38,2]
})
所以我们有这个数据框:
user artist plays
0 a metallica 100
1 a coldplay 24
2 a dfj 3
3 b metallica 48
4 b coldplay 135
5 b dfj 10
6 c metallica 62
7 c coldplay 38
8 c dfj 2
现在“dfj”总共只播放了 15 次。我想删除“dfj”并返回如下内容:
user artist plays
0 a metallica 100
1 a coldplay 24
3 b metallica 48
4 b coldplay 135
6 c metallica 62
7 c coldplay 38
请您参考如下方法:
我相信你需要boolean indexing与 GroupBy.transform对于具有与原始 DataFrame 相同大小的聚合值的系列:
print (df.groupby('artist')['plays'].transform('sum'))
0 210
1 197
2 12
3 210
4 197
5 12
6 210
7 197
8 12
Name: plays, dtype: int64
df1 = df[df.groupby('artist')['plays'].transform('sum') > 50]
print (df1)
user artist plays
0 abcabcabc metallica 100
1 abcabcabc coldplay 24
3 abcabcabc metallica 48
4 abcabcabc coldplay 135
6 abcabcabc metallica 62
7 abcabcabc coldplay 38
