Pandas groupby бросает: TypeError: unhashable тип: 'numpy.ndarray'

Question

У меня есть фрейм данных, как показано на рисунке:

фрейм данных проблемы: attdf

Я хотел бы сгруппировать данные по классу источника и классу назначения, подсчитатьколичество строк в каждой группе и суммируем значения Attention.

При попытке добиться этого я не могу обойти эту ошибку типа:

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-100-6f2c8b3de8f2> in <module>()
----> 1 attdf.groupby(['Source Class', 'Destination Class']).count()

8 frames
pandas/_libs/properties.pyx in pandas._libs.properties.CachedProperty.__get__()

/usr/local/lib/python3.6/dist-packages/pandas/core/algorithms.py in _factorize_array(values, na_sentinel, size_hint, na_value)
    458     table = hash_klass(size_hint or len(values))
    459     uniques, labels = table.factorize(values, na_sentinel=na_sentinel,
--> 460                                       na_value=na_value)
    461 
    462     labels = ensure_platform_int(labels)

pandas/_libs/hashtable_class_helper.pxi in pandas._libs.hashtable.PyObjectHashTable.factorize()

pandas/_libs/hashtable_class_helper.pxi in pandas._libs.hashtable.PyObjectHashTable._unique()

TypeError: unhashable type: 'numpy.ndarray'

attdf.groupby(['Source Class', 'Destination Class'])

дает мне<pandas.core.groupby.generic.DataFrameGroupBy object at 0x7f1e720f2080> который я не уверен, как использовать, чтобы получить то, что я хочу.

Датафрейм attdf может быть импортирован из: https://drive.google.com/open?id=1t_h4b8FQd9soVgYeiXQasY-EbnhfOEYi

Пожалуйста, сообщите.

Answer 1

@Adam.Er8 и @jezarael помогли мне с их вкладом.Неподходящая ошибка типа в моем случае была из-за типов данных столбцов в моем фрейме данных.

Оригинал df и df, импортированные из csv

Оказалось, что оригиналВ dataframe было два столбца объекта, которые я пытался использовать в группе.Отсюда необъяснимая ошибка типаНо при импорте данных в новый фрейм данных прямо из csv исправлены типы данных.Следовательно, ошибок типов больше не возникает.

Answer 2

попробуйте использовать .agg следующим образом:

import pandas as pd

attdf = pd.read_csv("attdf.csv")

print(attdf.groupby(['Source Class', 'Destination Class']).agg({"Attention": ['sum', 'count']}))

Выход:

                                 Attention      
                                       sum count
Source Class Destination Class                  
0            0                  282.368908  1419
             1                    7.251101    32
             2                    3.361009    23
             3                   22.482438   161
             4                   14.020189    88
             5                   10.138409    75
             6                   11.377947    80
1            0                    6.172269    32
             1                  181.582437  1035
             2                    9.440956    62
             3                   12.007303    67
             4                    3.025752    20
             5                    4.491725    28
             6                    0.279559     2
2            0                    3.349921    23
             1                    8.521828    62
             2                  391.116034  2072
             3                    9.937170    53
             4                    0.412747     2
             5                    4.441985    30
             6                    0.220316     2
3            0                   33.156251   161
             1                   11.944373    67
             2                    9.176584    53
             3                  722.685180  3168
             4                   29.776050   137
             5                    8.827215    54
             6                    2.434347    16
4            0                   17.431855    88
             1                    4.195519    20
             2                    0.457089     2
             3                   20.401789   137
             4                  378.802604  1746
             5                    3.616083    19
             6                    1.095061     6
5            0                   13.525333    75
             1                    4.289306    28
             2                    6.424412    30
             3                   10.911705    54
             4                    3.896328    19
             5                  250.309764  1132
             6                    8.643153    46
6            0                   15.249959    80
             1                    0.150240     2
             2                    0.413639     2
             3                    3.108417    16
             4                    0.850280     6
             5                    8.655959    46
             6                  151.571505   686