Получение наибольшей из каждой группы в серии Multiindex Pandas - PullRequest
Новая
       36

Получение наибольшей из каждой группы в серии Multiindex Pandas

3 голосов
/ 05 апреля 2019

У меня есть DataFrame, который состоит из информации о каждой игре в НФЛ, которая происходила с 2009 года. Моя цель - выяснить, у каких команд было больше "больших игр" в каждом сезоне. Для этого я нашел все пьесы, которые набрали более 20 ярдов, сгруппировал их по годам и командам и получил размер каждой из этих групп. 

big_plays = (df[df['yards_gained'] >= 20]
             .groupby([df['game_date'].dt.year, 'posteam'])
             .size())

Это приводит к следующей серии: 

game_date  posteam
2009       ARI        55
           ATL        51
           BAL        55
           BUF        37
           CAR        52
           CHI        58
           CIN        51
           CLE        31
           DAL        68
           DEN        42
           DET        42
           GB         65
           HOU        63
           IND        67
           JAC        51
           KC         44
           MIA        34
           MIN        64
           NE         48
           NO         72
           NYG        69
           NYJ        54
           OAK        38
           PHI        68
           PIT        72
           SD         71
           SEA        45
           SF         51
           STL        42
           TB         51
                      ..
2018       BAL        44
           BUF        55
           CAR        64
           CHI        66
           CIN        69
           CLE        70
           DAL        51
           DEN        59
           DET        51
           GB         63
           HOU        53
           IND        57
           JAX        51
           KC         88
           LA         80
           LAC        77
           MIA        47
           MIN        56
           NE         64
           NO         66
           NYG        70
           NYJ        49
           OAK        63
           PHI        54
           PIT        66
           SEA        62
           SF         69
           TB         73
           TEN        51
           WAS        46
Length: 323, dtype: int64

Пока что это именно то, чего я хочу. Однако я застрял на следующем шаге. Мне нужны n-самые большие значения для каждой группы в MultiIndex или n-команд с наибольшим количеством "больших игр" за сезон.

Я полууспешно решил эту задачу громоздким способом. Если я groupby 0-й уровень MultiIndex, а затем запустить функцию nlargest для этой группы, я получу следующее (для краткости усечено до первых двух лет):

big_plays.groupby(level=0).nlargest(5)

возвращает 

game_date  game_date  posteam
2009       2009       NO         72
                      PIT        72
                      SD         71
                      NYG        69
                      DAL        68
2010       2010       PHI        81
                      NYG        78
                      PIT        78
                      SD         75
                      DEN        73

Это (довольно нелегко) решает проблему, но мне интересно, как мне лучше достичь более или менее таких же результатов.

1 Ответ

3 голосов
/ 05 апреля 2019

На мой взгляд, ваш код хороший, только немного изменился на group_keys=False в Series.groupby во избежание дублирования уровней MultiIndex: 

s = big_plays.groupby(level=0, group_keys=False).nlargest(5)
print (s)
game_date  posteam
2009       NO         72
           PIT        72
           SD         71
           NYG        69
           DAL        68
2018       KC         88
           LA         80
           LAC        77
           TB         73
           CLE        70
Name: a, dtype: int64

df = big_plays.groupby(level=0, group_keys=False).nlargest(5).reset_index(name='count')
print (df)
   game_date posteam  count
0       2009      NO     72
1       2009     PIT     72
2       2009      SD     71
3       2009     NYG     69
4       2009     DAL     68
5       2018      KC     88
6       2018      LA     80
7       2018     LAC     77
8       2018      TB     73
9       2018     CLE     70

Альтернатива более сложная: 

df = (big_plays.reset_index(name='count')
               .sort_values(['game_date','count'], ascending=[True, False])
               .groupby('game_date')
               .head(5))
print (df)
    game_date posteam  count
19       2009      NO     72
24       2009     PIT     72
25       2009      SD     71
20       2009     NYG     69
8        2009     DAL     68
43       2018      KC     88
44       2018      LA     80
45       2018     LAC     77
57       2018      TB     73
35       2018     CLE     70
...