Pandas groupby: Cómo conseguir una unión de cuerdas

Tengo un marco de datos como este:

   A         B       C
0  1  0.749065    This
1  2  0.301084      is
2  3  0.463468       a
3  4  0.643961  random
4  1  0.866521  string
5  2  0.120737       !

Vocación

In [10]: print df.groupby("A")["B"].sum()

volverá

A
1    1.615586
2    0.421821
3    0.463468
4    0.643961

Ahora me gustaría hacer "lo mismo" para la columna "C". Debido a que esa columna contiene cadenas, sum () no funciona (aunque podría pensar que concatenaría las cadenas). Lo que realmente me gustaría ver es una lista o un conjunto de cadenas para cada grupo, es decir

A
1    {This, string}
2    {is, !}
3    {a}
4    {random}

He estado tratando de encontrar formas de hacer esto.

Series.unique () ( http://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.unique.html ) no funciona, aunque

df.groupby("A")["B"]

es un

pandas.core.groupby.SeriesGroupBy object

así que esperaba que cualquier método de Series funcionara. ¿Algunas ideas?

In [4]: df = read_csv(StringIO(data),sep='\s+')

In [5]: df
Out[5]: 
   A         B       C
0  1  0.749065    This
1  2  0.301084      is
2  3  0.463468       a
3  4  0.643961  random
4  1  0.866521  string
5  2  0.120737       !

In [6]: df.dtypes
Out[6]: 
A      int64
B    float64
C     object
dtype: object

Cuando aplica su propia función, no hay exclusiones automáticas de columnas no numéricas. Esto es más lento, sin embargo, que la aplicación de .sum()lagroupby

In [8]: df.groupby('A').apply(lambda x: x.sum())
Out[8]: 
   A         B           C
A                         
1  2  1.615586  Thisstring
2  4  0.421821         is!
3  3  0.463468           a
4  4  0.643961      random

sum por defecto concatena

In [9]: df.groupby('A')['C'].apply(lambda x: x.sum())
Out[9]: 
A
1    Thisstring
2           is!
3             a
4        random
dtype: object

Puedes hacer prácticamente lo que quieras

In [11]: df.groupby('A')['C'].apply(lambda x: "{%s}" % ', '.join(x))
Out[11]: 
A
1    {This, string}
2           {is, !}
3               {a}
4          {random}
dtype: object

Haciendo esto en un cuadro completo, un grupo a la vez. La clave es devolver unSeries

def f(x):
     return Series(dict(A = x['A'].sum(), 
                        B = x['B'].sum(), 
                        C = "{%s}" % ', '.join(x['C'])))

In [14]: df.groupby('A').apply(f)
Out[14]: 
   A         B               C
A                             
1  2  1.615586  {This, string}
2  4  0.421821         {is, !}
3  3  0.463468             {a}
4  4  0.643961        {random}

Puede utilizar el applymétodo para aplicar una función arbitraria a los datos agrupados. Entonces, si quieres un juego, aplica set. Si quieres una lista, aplica list.

>>> d
   A       B
0  1    This
1  2      is
2  3       a
3  4  random
4  1  string
5  2       !
>>> d.groupby('A')['B'].apply(list)
A
1    [This, string]
2           [is, !]
3               [a]
4          [random]
dtype: object

Si quieres algo más, escribe una función que haga lo que quieras y luego applyeso.

Es posible que pueda utilizar la función aggregate(o agg) para concatenar los valores. (Código no probado)

df.groupby('A')['B'].agg(lambda col: ''.join(col))

Puedes probar esto:

df.groupby('A').agg({'B':'sum','C':'-'.join})

una solución simple sería:

>>> df.groupby(['A','B']).c.unique().reset_index()

Agregaciones con nombre con pandas >= 0.25.0

Desde la versión 0.25.0 de pandas, hemos nombrado agregaciones en las que podemos agrupar, agregar y al mismo tiempo asignar nuevos nombres a nuestras columnas. De esta forma no obtendremos las columnas MultiIndex, y los nombres de las columnas tienen más sentido dados los datos que contienen:

agregar y obtener una lista de cadenas

grp = df.groupby('A').agg(B_sum=('B','sum'),
                          C=('C', list)).reset_index()

print(grp)
   A     B_sum               C
0  1  1.615586  [This, string]
1  2  0.421821         [is, !]
2  3  0.463468             [a]
3  4  0.643961        [random]

agregar y unir las cuerdas

grp = df.groupby('A').agg(B_sum=('B','sum'),
                          C=('C', ', '.join)).reset_index()

print(grp)
   A     B_sum             C
0  1  1.615586  This, string
1  2  0.421821         is, !
2  3  0.463468             a
3  4  0.643961        random

Si desea sobrescribir la columna B en el marco de datos, esto debería funcionar:

    df = df.groupby('A',as_index=False).agg(lambda x:'\n'.join(x))

Siguiendo la buena respuesta de @ Erfan, la mayoría de las veces, en un análisis de valores agregados, desea las combinaciones posibles únicas de estos valores de caracteres existentes:

unique_chars = lambda x: ', '.join(x.unique())
(df
 .groupby(['A'])
 .agg({'C': unique_chars}))