Панды условной суммы строк в новый столбец, когда количество строк меняется - PullRequest
Новая
       23

Панды условной суммы строк в новый столбец, когда количество строк меняется

0 голосов
/ 10 января 2019

У меня есть данные в следующем формате:

enter image description here

Я пытаюсь сделать следующее во фрейме данных pandas, используя python 3.x:

  1. Группируйте строки по тикам и годам и суммируйте цифры из столбца DPS в новый столбец с именем Net_DPS.
  2. Группируйте строки по тикеру и году и суммируйте цифры из столбца EPS в новый столбец с именем Net_EPS.

Количество строк может варьироваться от 1 до 4 при группировке по тикеру и году. Например, вы увидите, что для 1AL есть одна строка для 2014 года, но две строки для 2015 года.

В конечном итоге я получу по одной строке для каждого тикера для каждого года с Net_EPS и Net_DPS, показывающими сумму EPS и DPS в этом году соответственно.

Я перепробовал несколько предлагаемых решений, но застрял из-за разного количества строк и индексации.

Формат данных для столбцов EPS и DPS: float64.

Буду очень признателен за любую помощь.

Ответы [ 2 ]

0 голосов
/ 10 января 2019

df = df.groupby (['Ticker', 'Year'], as_index = False) .sum (). Rename (columns = {'EPS': 'Net_EPS', 'DPS': 'Net_DPS'})

0 голосов
/ 10 января 2019

Как вы хотите, чтобы группировка по тикеру и году, попробуйте groupby в том же порядке: 

df = pd.DataFrame({'Ticker': ['1AL']*6 + ['3PL']*7,
                  'Year':[2014, 2015, 2015, 2016, 2016, 2017, 2014, 2014, 2015, 2015, 2016, 2017, 2018],
                  'EPS': np.random.rand(13),
                  'DPS':np.random.rand(13)})
df

    Ticker  Year    EPS           DPS
0   1AL     2014    0.033661    0.912861
1   1AL     2015    0.865936    0.326705
2   1AL     2015    0.398157    0.404424
3   1AL     2016    0.060185    0.482212
4   1AL     2016    0.348479    0.043894
5   1AL     2017    0.745728    0.900050
6   3PL     2014    0.581675    0.701467
7   3PL     2014    0.407660    0.371662
8   3PL     2015    0.984192    0.908538
9   3PL     2015    0.702109    0.064220
10  3PL     2016    0.376621    0.004566
11  3PL     2017    0.290292    0.171509
12  3PL     2018    0.631235    0.666724

df.groupby(['Ticker', 'Year']).sum().rename(columns = {'EPS': 'Net_EPS', 'DPS':'Net_DPS'})


                 Net_EPS    Net_DPS
Ticker  Year        
1AL     2014    0.033661    0.912861
        2015    1.264093    0.731129
        2016    0.408664    0.526106
        2017    0.745728    0.900050
3PL     2014    0.989335    1.073130
        2015    1.686301    0.972758
        2016    0.376621    0.004566
        2017    0.290292    0.171509
        2018    0.631235    0.666724

Если вам не нужны уровни, попробуйте: 

df.groupby(['Ticker', 'Year'], level = 0).transform('sum').rename(columns = {'EPS': 'Net_EPS', 'DPS':'Net_DPS'})

    Ticker  Year    Net_EPS Net_DPS
0   1AL 2014    0.033661    0.912861
1   1AL 2015    0.865936    0.326705
2   1AL 2015    0.398157    0.404424
3   1AL 2016    0.0601846   0.482212
4   1AL 2016    0.348479    0.0438939
5   1AL 2017    0.745728    0.90005
6   3PL 2014    0.581675    0.701467
7   3PL 2014    0.40766 0.371662
8   3PL 2015    0.984192    0.908538
9   3PL 2015    0.702109    0.0642203
10  3PL 2016    0.376621    0.00456638
11  3PL 2017    0.290292    0.171509
12  3PL 2018    0.631235    0.666724

Редактировать : Я думаю, что вам это нужно, установите as_index как False в групповом: 

df.groupby(['Ticker', 'Year'], as_index = False).sum().rename(columns = {'EPS': 'Net_EPS', 'DPS':'Net_DPS'}

    Ticker  Year    Net_EPS     Net_DPS
0   1AL     2014    0.916628    0.964412
1   1AL     2015    0.461967    1.380665
2   1AL     2016    1.024019    0.521853
3   1AL     2017    0.664347    0.763935
4   3PL     2014    0.550123    0.554489
5   3PL     2015    0.844655    1.636665
6   3PL     2016    0.924291    0.270274
7   3PL     2017    0.225108    0.860416
8   3PL     2018    0.446283    0.180444
...