我有一个DataFrame，在列中有许多缺失的值，我希望通过分组:
import pandas as pd
import numpy as np
df = pd.DataFrame({'a': ['1', '2', '3'], 'b': ['4', np.NaN, '6']})
In [4]: df.groupby('b').groups
Out[4]: {'4': [0], '6': [2]}
看到Pandas已经删除了具有NaN目标值的行。(我想包括这些行!)
因为我需要很多这样的操作(许多cols有缺失的值)，并且使用比中位数更复杂的函数(通常是随机森林)，所以我希望避免编写过于复杂的代码段。
有什么建议吗?我应该写一个函数还是有简单的解决方案?
当前回答
古老的话题，如果有人仍然在这个问题上绊倒-另一个解决方案是在分组之前通过.astype(str)转换为字符串。这样可以保存NaN。
df = pd.DataFrame({'a': ['1', '2', '3'], 'b': ['4', np.NaN, '6']})
df['b'] = df['b'].astype(str)
df.groupby(['b']).sum()
a
b
4 1
6 3
nan 2
其他回答
我已经回答了这个问题，但由于某些原因，答案被转换为评论。然而，这是最有效的解决方案:
不能在组中包含(和传播)nan是相当严重的。引用R是没有说服力的，因为这种行为与许多其他事情不一致。不管怎样，虚拟黑客也很糟糕。但是，如果组中存在nan，则组的大小(包括nan)和计数(忽略nan)会有所不同。
dfgrouped = df.groupby(['b']).a.agg(['sum','size','count'])
dfgrouped['sum'][dfgrouped['size']!=dfgrouped['count']] = None
当这些值不同时，您可以将该组的聚合函数结果的值设置为None。
在文档的缺失数据部分提到了这一点:
“GroupBy”中的NA组被自动排除。这个行为与R一致
一个解决方法是在执行groupby(例如-1)之前使用占位符:
In [11]: df.fillna(-1)
Out[11]:
a b
0 1 4
1 2 -1
2 3 6
In [12]: df.fillna(-1).groupby('b').sum()
Out[12]:
a
b
-1 2
4 1
6 3
也就是说，这感觉很糟糕……也许应该有一个选项，包括NaN在groupby(见这个github问题-它使用相同的占位符黑客)。
然而，正如另一个答案所描述的，“从熊猫1.1中，你可以更好地控制这种行为，现在允许在石斑鱼中使用dropna=False的NA值”
熊猫>= 1.1
从熊猫1.1你可以更好地控制这种行为，现在允许NA值在石斑鱼使用dropna=False:
pd.__version__
# '1.1.0.dev0+2004.g8d10bfb6f'
# Example from the docs
df
a b c
0 1 2.0 3
1 1 NaN 4
2 2 1.0 3
3 1 2.0 2
# without NA (the default)
df.groupby('b').sum()
a c
b
1.0 2 3
2.0 2 5
# with NA
df.groupby('b', dropna=False).sum()
a c
b
1.0 2 3
2.0 2 5
NaN 1 4
到目前为止提供的所有答案都会导致潜在的危险行为，因为很有可能您选择了一个实际上是数据集一部分的虚拟值。当您创建具有许多属性的组时，这种情况越来越有可能发生。简单地说，这种方法并不总是泛化得很好。
一个比较简单的解决方法是使用pd.drop_duplicate()来创建值组合的唯一索引，每个值组合都有自己的ID，然后根据该ID进行分组。它更啰嗦，但确实完成了工作:
def safe_groupby(df, group_cols, agg_dict):
# set name of group col to unique value
group_id = 'group_id'
while group_id in df.columns:
group_id += 'x'
# get final order of columns
agg_col_order = (group_cols + list(agg_dict.keys()))
# create unique index of grouped values
group_idx = df[group_cols].drop_duplicates()
group_idx[group_id] = np.arange(group_idx.shape[0])
# merge unique index on dataframe
df = df.merge(group_idx, on=group_cols)
# group dataframe on group id and aggregate values
df_agg = df.groupby(group_id, as_index=True)\
.agg(agg_dict)
# merge grouped value index to results of aggregation
df_agg = group_idx.set_index(group_id).join(df_agg)
# rename index
df_agg.index.name = None
# return reordered columns
return df_agg[agg_col_order]
注意，你现在可以简单地做以下事情:
data_block = [np.tile([None, 'A'], 3),
np.repeat(['B', 'C'], 3),
[1] * (2 * 3)]
col_names = ['col_a', 'col_b', 'value']
test_df = pd.DataFrame(data_block, index=col_names).T
grouped_df = safe_groupby(test_df, ['col_a', 'col_b'],
OrderedDict([('value', 'sum')]))
这将返回成功的结果，而不必担心会覆盖被误认为是虚拟值的真实数据。
古老的话题，如果有人仍然在这个问题上绊倒-另一个解决方案是在分组之前通过.astype(str)转换为字符串。这样可以保存NaN。
df = pd.DataFrame({'a': ['1', '2', '3'], 'b': ['4', np.NaN, '6']})
df['b'] = df['b'].astype(str)
df.groupby(['b']).sum()
a
b
4 1
6 3
nan 2
