这是一些可重现的数据:
np.random.seed(0)
df = pd.DataFrame(np.random.randint(0,10,(10,2)),columns=list('AB'))
>>> df
A B
0 5 0
1 3 3
2 7 9
3 3 5
4 2 4
5 7 6
6 8 8
7 1 6
8 7 7
9 8 1
一个示例过滤器应用程序,演示它可以处理数据.
gb = df.groupby('A')
>>> gb.filter(lambda group: group.A.count() >= 3)
A B
2 7 9
5 7 6
8 7 7
以下是您的一些选择:
1)您也可以先根据值计数进行过滤,然后再进行分组.
vc = df.A.value_counts()
>>> df.loc[df.A.isin(vc[vc >= 2].index)].groupby('A').mean()
B
A
3 4.000000
7 7.333333
8 4.500000
2)在过滤器之前和之后执行两次groupby:
>>> (df.groupby('A',as_index=False)
.filter(lambda group: group.A.count() >= 2)
.groupby('A')
.mean())
B
A
3 4.000000
7 7.333333
8 4.500000
3)假设你的第一个groupby返回组,你也可以过滤那些:
d = {k: v
for k,v in df.groupby('A').groups.items()
if len(v) >= 2} # gb.groups.iteritems() for Python 2
>>> d
{3: [1,3],7: [2,5,8],8: [6,9]}
这有点像黑客,但应该相对有效,因为你不需要重新组合.
>>> pd.DataFrame({col: [df.ix[d[col],'B'].mean()] for col in d}).T.rename(columns={0: 'B'})
B
3 4.000000
7 7.333333
8 4.500000
时间为100k排
np.random.seed(0)
df = pd.DataFrame(np.random.randint(0,(100000,columns=list('AB'))
%timeit df.groupby('A',as_index=False).filter(lambda group: group['A'].count() >= 5).groupby('A').mean()
100 loops,best of 3: 18 ms per loop
%%timeit
vc = df.A.value_counts()
df.loc[df.A.isin(vc[vc >= 2].index)].groupby('A').mean()
100 loops,best of 3: 15.7 ms per loop