¿Cómo agrupar filas del marco de datos en la lista en pandas groupby?

Tengo un marco de datos de pandas dfcomo:

a b
A 1
A 2
B 5
B 5
B 4
C 6

Quiero agrupar por la primera columna y obtener la segunda columna como listas en filas :

A [1,2]
B [5,5,4]
C [6]

¿Es posible hacer algo así usando pandas groupby?

Puede hacer esto usando groupbypara agrupar en la columna de interés y luego apply listpara cada grupo:

In [1]: df = pd.DataFrame( {'a':['A','A','B','B','B','C'], 'b':[1,2,5,5,4,6]})
        df

Out[1]: 
   a  b
0  A  1
1  A  2
2  B  5
3  B  5
4  B  4
5  C  6

In [2]: df.groupby('a')['b'].apply(list)
Out[2]: 
a
A       [1, 2]
B    [5, 5, 4]
C          [6]
Name: b, dtype: object

In [3]: df1 = df.groupby('a')['b'].apply(list).reset_index(name='new')
        df1
Out[3]: 
   a        new
0  A     [1, 2]
1  B  [5, 5, 4]
2  C        [6]

Si el rendimiento es importante, baje al nivel numpy:

import numpy as np

df = pd.DataFrame({'a': np.random.randint(0, 60, 600), 'b': [1, 2, 5, 5, 4, 6]*100})

def f(df):
         keys, values = df.sort_values('a').values.T
         ukeys, index = np.unique(keys, True)
         arrays = np.split(values, index[1:])
         df2 = pd.DataFrame({'a':ukeys, 'b':[list(a) for a in arrays]})
         return df2

Pruebas:

In [301]: %timeit f(df)
1000 loops, best of 3: 1.64 ms per loop

In [302]: %timeit df.groupby('a')['b'].apply(list)
100 loops, best of 3: 5.26 ms per loop

Una forma práctica de lograr esto sería:

df.groupby('a').agg({'b':lambda x: list(x)})

Examine la escritura de agregaciones personalizadas: https://www.kaggle.com/akshaysehgal/how-to-group-by-aggregate-using-py

Como decías, el groupbymétodo de un pd.DataFrameobjeto puede hacer el trabajo.

Ejemplo

 L = ['A','A','B','B','B','C']
 N = [1,2,5,5,4,6]

 import pandas as pd
 df = pd.DataFrame(zip(L,N),columns = list('LN'))


 groups = df.groupby(df.L)

 groups.groups
      {'A': [0, 1], 'B': [2, 3, 4], 'C': [5]}

que proporciona una descripción de los grupos basada en índices.

Para obtener elementos de grupos individuales, puede hacer, por ejemplo

 groups.get_group('A')

     L  N
  0  A  1
  1  A  2

  groups.get_group('B')

     L  N
  2  B  5
  3  B  5
  4  B  4

Para resolver esto para varias columnas de un marco de datos:

In [5]: df = pd.DataFrame( {'a':['A','A','B','B','B','C'], 'b':[1,2,5,5,4,6],'c'
   ...: :[3,3,3,4,4,4]})

In [6]: df
Out[6]: 
   a  b  c
0  A  1  3
1  A  2  3
2  B  5  3
3  B  5  4
4  B  4  4
5  C  6  4

In [7]: df.groupby('a').agg(lambda x: list(x))
Out[7]: 
           b          c
a                      
A     [1, 2]     [3, 3]
B  [5, 5, 4]  [3, 4, 4]
C        [6]        [4]

Esta respuesta se inspiró en la respuesta de Anamika Modi . ¡Gracias!

Use cualquiera de los siguientes groupbyy aggrecetas.

# Setup
df = pd.DataFrame({
  'a': ['A', 'A', 'B', 'B', 'B', 'C'],
  'b': [1, 2, 5, 5, 4, 6],
  'c': ['x', 'y', 'z', 'x', 'y', 'z']
})
df

   a  b  c
0  A  1  x
1  A  2  y
2  B  5  z
3  B  5  x
4  B  4  y
5  C  6  z

Para agregar varias columnas como listas, use cualquiera de los siguientes:

df.groupby('a').agg(list)
df.groupby('a').agg(pd.Series.tolist)

           b          c
a                      
A     [1, 2]     [x, y]
B  [5, 5, 4]  [z, x, y]
C        [6]        [z]

Para hacer una lista grupal de una sola columna, convierta el groupby en un SeriesGroupByobjeto, luego llame SeriesGroupBy.agg. Utilizar,

df.groupby('a').agg({'b': list})  # 4.42 ms 
df.groupby('a')['b'].agg(list)    # 2.76 ms - faster

a
A       [1, 2]
B    [5, 5, 4]
C          [6]
Name: b, dtype: object

Si busca una lista única mientras agrupa varias columnas, esto probablemente podría ayudar:

df.groupby('a').agg(lambda x: list(set(x))).reset_index()

Vamos a usar df.groupbycon lista y Seriesconstructor

pd.Series({x : y.b.tolist() for x , y in df.groupby('a')})
Out[664]: 
A       [1, 2]
B    [5, 5, 4]
C          [6]
dtype: object

Es hora de usar en agglugar de apply.

Cuando

df = pd.DataFrame( {'a':['A','A','B','B','B','C'], 'b':[1,2,5,5,4,6], 'c': [1,2,5,5,4,6]})

Si desea que varias columnas se apilen en la lista, obtenga pd.DataFrame

df.groupby('a')[['b', 'c']].agg(list)
# or 
df.groupby('a').agg(list)

Si quieres una sola columna en la lista, da como resultado ps.Series

df.groupby('a')['b'].agg(list)
#or
df.groupby('a')['b'].apply(list)

Tenga en cuenta que el resultado pd.DataFramees aproximadamente 10 veces más lento que ps.Seriescuando solo agrega una sola columna, úsela en mayúsculas y minúsculas.

Aquí he agrupado elementos con "|" como separador

    import pandas as pd

    df = pd.read_csv('input.csv')

    df
    Out[1]:
      Area  Keywords
    0  A  1
    1  A  2
    2  B  5
    3  B  5
    4  B  4
    5  C  6

    df.dropna(inplace =  True)
    df['Area']=df['Area'].apply(lambda x:x.lower().strip())
    print df.columns
    df_op = df.groupby('Area').agg({"Keywords":lambda x : "|".join(x)})

    df_op.to_csv('output.csv')
    Out[2]:
    df_op
    Area  Keywords

    A       [1| 2]
    B    [5| 5| 4]
    C          [6]

La forma más fácil que he visto no es lograr la mayor parte de lo mismo al menos para una columna que es similar a la respuesta de Anamika solo con la sintaxis de tupla para la función agregada.

df.groupby('a').agg(b=('b','unique'), c=('c','unique'))