Python PANDAS группировать и агрегировать столбцы

Question

Я использую panda версии 0.23.0.Я хочу использовать группу фреймов данных для создания новых агрегированных столбцов, используя функции [lambda].

Мой фрейм данных выглядит как

ID Flag Amount User
 1  1    100    123345
 1  1    55     123346
 2  0    20     123346
 2  0    30     123347
 3  0    50     123348

Я хочу создать таблицу, которая выглядит как

ID Flag0_Count Flag1_Count  Flag0_Amount_SUM    Flag1_Amount_SUM  Flag0_User_Count Flag1_User_Count
 1  2           2           0                   155                0                2
 2  2           0           50                  0                  2                0
 3  1           0           50                  0                  1                0

здесь:

1. Flag0_Count является счетчиком Flag = 0
2. Flag1_Count является счетчиком Flag = 1
3. Flag0_Amount_SUM является SUNM изсумма, когда флаг = 0
4. Flag1_Amount_SUM - это SUNM суммы, когда флаг = 1
5. Flag0_User_Count - количество отдельных пользователей, когда флаг = 0
6. Flag1_User_Count - количество отдельных пользователей, когда флаг= 1

Я пробовал что-то вроде

df.groupby(["ID"])["Flag"].apply(lambda x: sum(x==0)).reset_index()

, но он создает новый новый фрейм данных.Это означает, что мне придется сделать это для всех столбцов, и они объединят их в новый фрейм данных.Есть ли более простой способ сделать это?

Answer 1

Используйте DataFrameGroupBy.agg по словарю по именам столбцов с функцией агрегирования, затем измените форму на unstack, сгладьте MultiIndex столбцов, rename столбцов и последний reset_index:

df = (df.groupby(["ID", "Flag"])
      .agg({'Flag':'size', 'Amount':'sum', 'User':'nunique'})
      .unstack(fill_value=0))

#python 3.6+
df.columns = [f'{i}{j}' for i, j in df.columns]
#python bellow
#df.columns = [f'{}{}'.format(i, j) for i, j in df.columns]
d = {'Flag0':'Flag0_Count',
     'Flag1':'Flag1_Count',
     'Amount0':'Flag0_Amount_SUM',
     'Amount1':'Flag1_Amount_SUM',
     'User0':'Flag0_User_Count',
     'User1':'Flag1_User_Count',
     }
df = df.rename(columns=d).reset_index()
print (df)

   ID  Flag0_Count  Flag1_Count  Flag0_Amount_SUM  Flag1_Amount_SUM  \
0   1            0            2                 0               155   
1   2            2            0                50                 0   
2   3            1            0                50                 0   

   Flag0_User_Count  Flag1_User_Count  
0                 0                 2  
1                 2                 0  
2                 1                 0