Dua jawaban teratas di sini menyarankan:
df.groupby(cols).agg(lambda x:x.value_counts().index[0])
atau, lebih disukai
df.groupby(cols).agg(pd.Series.mode)
Namun keduanya gagal dalam kasus tepi sederhana, seperti yang ditunjukkan di sini:
df = pd.DataFrame({
'client_id':['A', 'A', 'A', 'A', 'B', 'B', 'B', 'C'],
'date':['2019-01-01', '2019-01-01', '2019-01-01', '2019-01-01', '2019-01-01', '2019-01-01', '2019-01-01', '2019-01-01'],
'location':['NY', 'NY', 'LA', 'LA', 'DC', 'DC', 'LA', np.NaN]
})
Pertama:
df.groupby(['client_id', 'date']).agg(lambda x:x.value_counts().index[0])
hasil IndexError(karena Seri kosong dikembalikan oleh grup C). Kedua:
df.groupby(['client_id', 'date']).agg(pd.Series.mode)
kembali ValueError: Function does not reduce, karena grup pertama mengembalikan daftar dua (karena ada dua mode). (Seperti yang didokumentasikan di sini , jika grup pertama mengembalikan mode tunggal, ini akan berhasil!)
Dua solusi yang mungkin untuk kasus ini adalah:
import scipy
x.groupby(['client_id', 'date']).agg(lambda x: scipy.stats.mode(x)[0])
Dan solusi yang diberikan kepada saya oleh cs95 di komentar di sini :
def foo(x):
m = pd.Series.mode(x);
return m.values[0] if not m.empty else np.nan
df.groupby(['client_id', 'date']).agg(foo)
Namun, semua ini lambat dan tidak cocok untuk kumpulan data besar. Solusi yang akhirnya saya gunakan yang a) dapat menangani kasus-kasus ini dan b) jauh, jauh lebih cepat, adalah versi jawaban abw33 yang sedikit dimodifikasi (yang seharusnya lebih tinggi):
def get_mode_per_column(dataframe, group_cols, col):
return (dataframe.fillna(-1)
.groupby(group_cols + [col])
.size()
.to_frame('count')
.reset_index()
.sort_values('count', ascending=False)
.drop_duplicates(subset=group_cols)
.drop(columns=['count'])
.sort_values(group_cols)
.replace(-1, np.NaN))
group_cols = ['client_id', 'date']
non_grp_cols = list(set(df).difference(group_cols))
output_df = get_mode_per_column(df, group_cols, non_grp_cols[0]).set_index(group_cols)
for col in non_grp_cols[1:]:
output_df[col] = get_mode_per_column(df, group_cols, col)[col].values
Pada dasarnya, metode ini bekerja pada satu col pada satu waktu dan mengeluarkan df, jadi alih-alih concat, yang intensif, Anda memperlakukan yang pertama sebagai df, dan kemudian menambahkan larik keluaran ( values.flatten()) secara berulang sebagai kolom di df.