Два основных ответа здесь предполагают:
df.groupby(cols).agg(lambda x:x.value_counts().index[0])
или, предпочтительно
df.groupby(cols).agg(pd.Series.mode)
Однако оба из них не работают в простых крайних случаях, как показано здесь:
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]
})
Первое:
df.groupby(['client_id', 'date']).agg(lambda x:x.value_counts().index[0])
дает IndexError(из-за пустой серии, возвращаемой группой C). Второй:
df.groupby(['client_id', 'date']).agg(pd.Series.mode)
возвращается ValueError: Function does not reduce, поскольку первая группа возвращает список из двух (поскольку есть два режима). (Как описано здесь , если первая группа вернет один режим, это будет работать!)
В этом случае есть два возможных решения:
import scipy
x.groupby(['client_id', 'date']).agg(lambda x: scipy.stats.mode(x)[0])
И решение, данное мне cs95 в комментариях здесь :
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)
Однако все они медленные и не подходят для больших наборов данных. Решение, которое я использовал, которое а) может справиться с этими случаями и б) намного, намного быстрее, представляет собой слегка измененную версию ответа abw33 (который должен быть выше):
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
По сути, метод работает с одним столбцом за раз и выводит df, поэтому вместо того concat, что является интенсивным, вы обрабатываете первый как df, а затем итеративно добавляете выходной массив ( values.flatten()) как столбец в df.