Tabelas de freqüência em pandas (como plyr em R)
Meu problema é como calcular frequências em múltiplas variáveis em pandas. Eu tenho deste dataframe:
d1 = pd.DataFrame( {'StudentID': ["x1", "x10", "x2","x3", "x4", "x5", "x6", "x7", "x8", "x9"],
'StudentGender' : ['F', 'M', 'F', 'M', 'F', 'M', 'F', 'M', 'M', 'M'],
'ExamenYear': ['2007','2007','2007','2008','2008','2008','2008','2009','2009','2009'],
'Exam': ['algebra', 'stats', 'bio', 'algebra', 'algebra', 'stats', 'stats', 'algebra', 'bio', 'bio'],
'Participated': ['no','yes','yes','yes','no','yes','yes','yes','yes','yes'],
'Passed': ['no','yes','yes','yes','no','yes','yes','yes','no','yes']},
columns = ['StudentID', 'StudentGender', 'ExamenYear', 'Exam', 'Participated', 'Passed'])
Para o seguinte resultado
Participated OfWhichpassed
ExamenYear
2007 3 2
2008 4 3
2009 3 2
(1) Uma possibilidade que tentei é calcular dois dados e ligá-los
t1 = d1.pivot_table(values = 'StudentID', rows=['ExamenYear'], cols = ['Participated'], aggfunc = len)
t2 = d1.pivot_table(values = 'StudentID', rows=['ExamenYear'], cols = ['Passed'], aggfunc = len)
tx = pd.concat([t1, t2] , axis = 1)
Res1 = tx['yes']
(2) A segunda possibilidade é usar uma função de agregação.
import collections
dg = d1.groupby('ExamenYear')
Res2 = dg.agg({'Participated': len,'Passed': lambda x : collections.Counter(x == 'yes')[True]})
Res2.columns = ['Participated', 'OfWhichpassed']
Ambas as formas são estranhas, para dizer o mínimo.Como isso é feito corretamente em pandas?
P.S: Eu também tenteivalue_counts ao invés decolecções.Contador mas não conseguiu fazê-lo funcionar
Para referência: Alguns meses atrás, eu fiz uma pergunta semelhante para RAqui ePlyr Poderia ajudar
---- ATUALIZAR ------
do utilizadorDSM está certo. houve um erro no resultado da tabela desejada.
(1) O código da primeira opção é
t1 = d1.pivot_table(values = 'StudentID', rows=['ExamenYear'], aggfunc = len)
t2 = d1.pivot_table(values = 'StudentID', rows=['ExamenYear'], cols = ['Participated'], aggfunc = len)
t3 = d1.pivot_table(values = 'StudentID', rows=['ExamenYear'], cols = ['Passed'], aggfunc = len)
Res1 = pd.DataFrame( {'All': t1,
'OfWhichParticipated': t2['yes'],
'OfWhichPassed': t3['yes']})
Produzirá o resultado
All OfWhichParticipated OfWhichPassed
ExamenYear
2007 3 2 2
2008 4 3 3
2009 3 3 2
(2) Para a Opção 2, graças ao usuárioHerrfz, Eu descobri como usar value_count e o código será
Res2 = d1.groupby('ExamenYear').agg({'StudentID': len,
'Participated': lambda x: x.value_counts()['yes'],
'Passed': lambda x: x.value_counts()['yes']})
Res2.columns = ['All', 'OfWgichParticipated', 'OfWhichPassed']
que produzirá o mesmo resultado que Res1
Minha pergunta permanece:
Usando a Opção 2, será possível usar a mesma Variável duas vezes (para outra operação?) Pode-se passar um nome personalizado para a variável resultante?
---- UMA NOVA ATUALIZAÇÃO ----
Eu finalmente decidi usarAplique o que eu entendo é mais flexível.