SQL-подобные функции окна в PANDAS: Нумерация строк в Python Pandas Dataframe

Я пришел из sql фона и часто использую следующий шаг обработки данных:

Разделить таблицу данных на одно или несколько полей
Для каждого раздела добавьте число к каждой из его строк, которое ранжирует строку по одному или нескольким другим полям, где аналитик указывает восходящий или нисходящий

Пример:

df = pd.DataFrame({'key1' : ['a','a','a','b','a'],
           'data1' : [1,2,2,3,3],
           'data2' : [1,10,2,3,30]})
df
     data1        data2     key1    
0    1            1         a           
1    2            10        a        
2    2            2         a       
3    3            3         b       
4    3            30        a

Я ищу, как сделать PANDAS эквивалентной этой функции окна sql:

RN = ROW_NUMBER() OVER (PARTITION BY Key1 ORDER BY Data1 ASC, Data2 DESC)


    data1        data2     key1    RN
0    1            1         a       1    
1    2            10        a       2 
2    2            2         a       3
3    3            3         b       1
4    3            30        a       4

Я попробовал следующее, что я получил, чтобы работать там, где нет "разделов":

def row_number(frame,orderby_columns, orderby_direction,name):
    frame.sort_index(by = orderby_columns, ascending = orderby_direction, inplace = True)
    frame[name] = list(xrange(len(frame.index)))

Я пытался расширить эту идею для работы с разделами (группами в пандах), но следующее не сработало:

df1 = df.groupby('key1').apply(lambda t: t.sort_index(by=['data1', 'data2'], ascending=[True, False], inplace = True)).reset_index()

def nf(x):
    x['rn'] = list(xrange(len(x.index)))

df1['rn1'] = df1.groupby('key1').apply(nf)

Но я только что получил много NaNs, когда я это делаю.

В идеале, был бы краткий способ воспроизвести возможность оконной функции sql (я выяснил, что агрегаты на основе окон... что один вкладыш в пандах)... может кто-нибудь поделиться со мной самым идиоматичным способом количество строк, как это в PANDAS?

Ответ 1

Вы можете сделать это, используя groupby дважды вместе с методом rank:

In [11]: g = df.groupby('key1')

Используйте аргумент метода min, чтобы дать значения, которые используют одни и те же данные1, те же RN:

In [12]: g['data1'].rank(method='min')
Out[12]:
0    1
1    2
2    2
3    1
4    4
dtype: float64

In [13]: df['RN'] = g['data1'].rank(method='min')

И затем сгруппируйте эти результаты и добавьте ранг по данным2:

In [14]: g1 = df.groupby(['key1', 'RN'])

In [15]: g1['data2'].rank(ascending=False) - 1
Out[15]:
0    0
1    0
2    1
3    0
4    0
dtype: float64

In [16]: df['RN'] += g1['data2'].rank(ascending=False) - 1

In [17]: df
Out[17]:
   data1  data2 key1  RN
0      1      1    a   1
1      2     10    a   2
2      2      2    a   3
3      3      3    b   1
4      3     30    a   4

Похоже, что должен быть собственный способ сделать это (может быть!!).

Ответ 2

вы также можете использовать sort_values(), groupby() и, наконец, cumcount() + 1:

df['RN'] = df.sort_values(['data1','data2'], ascending=[True,False]) \
             .groupby(['key1']) \
             .cumcount() + 1
print(df)

дает:

   data1  data2 key1  RN
0      1      1    a   1
1      2     10    a   2
2      2      2    a   3
3      3      3    b   1
4      3     30    a   4

PS, протестированный с помощью pandas 0.18

Ответ 3

Вы можете использовать transform и Rank вместе. Вот пример

df = pd.DataFrame({'C1' : ['a','a','a','b','b'],
           'C2' : [1,2,3,4,5]})
df['Rank'] = df.groupby(by=['C1'])['C2'].transform(lambda x: x.rank())
df

Взгляните на метод Pandas Rank для получения дополнительной информации

Ответ 4

pandas.lib.fast_zip() может создать массив кортежей из списка массива. Вы можете использовать эту функцию для создания серии кортежей, а затем ранжировать ее:

values = {'key1' : ['a','a','a','b','a','b'],
          'data1' : [1,2,2,3,3,3],
          'data2' : [1,10,2,3,30,20]}

df = pd.DataFrame(values, index=list("abcdef"))

def rank_multi_columns(df, cols, **kw):
    data = []
    for col in cols:
        if col.startswith("-"):
            flag = -1
            col = col[1:]
        else:
            flag = 1
        data.append(flag*df[col])
    values = pd.lib.fast_zip(data)
    s = pd.Series(values, index=df.index)
    return s.rank(**kw)

rank = df.groupby("key1").apply(lambda df:rank_multi_columns(df, ["data1", "-data2"]))

print rank

результат:

a    1
b    2
c    3
d    2
e    4
f    1
dtype: float64

Ответ 5

Используйте функцию groupby.rank. Вот рабочий пример.

df = pd.DataFrame({'C1':['a', 'a', 'a', 'b', 'b'], 'C2': [1, 2, 3, 4, 5]})
df

C1 C2
a  1
a  2
a  3
b  4
b  5

df["RANK"] = df.groupby("C1")["C2"].rank(method="first", ascending=True)
df

C1 C2 RANK
a  1  1
a  2  2
a  3  3
b  4  1
b  5  2