pandas：由列层次化索引延伸的一些思考

1. 删除列层次化索引

用pandas利用df.groupby.agg() 做聚合运算时遇到一个问题：产生了列方向上的两级索引，且需要删除一级索引。具体代码如下：

# 每个uesr每天消费金额统计：和、均值、最大值、最小值、消费次数、消费种类、

action_info = student_action.groupby(['outid','date']).agg({'opfare':['sum','mean','max','min'],
                                                            'acccode':['count','unique'],}).reset_index()

action_info 表结果如下：

删除列的层次化索引操作如下：

# 列的层次化索引的删除
levels = action_info.columns.levels
labels = action_info.columns.labels
print(levels,labels)
action_info.columns = levels[1][labels[1]]

2.  agg()与apply()的区别

以 student_action表为例：

apply()方法：

agg()方法：

可以看到，apply()可以展示所有维度的数据，而agg()仅可以展示一个维度的数据。

事实上，如果值是一维数组，在利用完特定的函数之后，能做到简化的话，agg就能调用，反之，如果比如自定义的函数是排序，或者是一些些更复杂统计的函数，当然是agg所不能解决的，这时候用apply就可以解决。因为他更一般化，不存在什么简化，什么一维数组，什么标量值。且apply会将当前分组后的数据一起传入，可以返回多维数据。

例子：根据 student_action表，统计每个学生每天最高使用次数的终端、最低使用次数的终端以及最高使用次数终端的使用次数、最低使用次数终端的使用次数。

针对这个例子，有两种方法：

方法一：low到爆 永不使用！！ 

1. 构造每个用户每天的终端列表，需要one-hot termid

2. 构造groupby.agg()所使用的方法

2.1 列表模糊查找,找到包含'termid_'的字段名

termid_features = [x for i,x in enumerate(student_termid_onehot.columns.tolist()) if x.find('termid_')!=-1]

2.2 构造指定长度，指定元素的列表

sum_methods= ['sum'for x in range(0, len(termid_features))]

2.3  agg_methods=dict(zip(termid_features,sum_methods))

3. 每个学生每天的终端使用次数明细表

find_termid_df = student_termid_onehot.groupby(['outid','date']).agg(agg_methods).reset_index()

4. 找到student_termid_onehot中包含 'termid_'字段元素的最大值对应的字段名

4.1 构造列表保存

4.2 遍历每行数据，构造dict，并过滤value =0.0 的 k-v

4.3 找到每个dict的value值最大的key

max(filtered_statics_dict, key=filtered_statics_dict.get)

方法二：优雅直观

def transmethod(df):
    """
    每个用户每天消费记录最大值、最高使用次数的终端、最低使用次数的终端
    以及最高使用次数终端的使用次数、最低使用次数终端的使用次数。

    df type:
                  outid  opcount        date      time  oddfare  opfare  acccode  \
    3538  152211511101        5  2015-09-08  07:24:25    11290     200      210
    6108  152211511101        6  2015-09-08  12:09:01    10440     850      210   

          termid
    3538      13
    6108      39  

    """
    # 每日最大消费额
    maxop = df['opfare'].max()
    statics_dict={}
    for i in set(df['acccode'].tolist()):
        statics_dict[i] = df['acccode'].tolist().count(i)
    highest_termid = max(statics_dict, key=statics_dict.get)
    lowhest_termid = min(statics_dict, key=statics_dict.get)
    highest_termid_freq = statics_dict[highest_termid]
    lowhest_termid_freq = statics_dict[lowhest_termid]

    return maxop,highest_termid,highest_termid_freq,lowhest_termid,lowhest_termid_freq

groupby.apply() 组合使用：

pd.DataFrame(student_action.groupby(['outid','date']).apply(lambda x:transmethod(x)))

可以发现，apply()方法要比agg()方法灵活的多的多！

3. 总结

• 列层次索引的删除
• 列表的模糊查找方式
• 查找dict的value值最大的key 的方式
• 当做简单的聚合操作（max,min,unique等），可以使用agg()，在做复杂的聚合操作时，一定使用apply()