我想通过’label’和’month’分组来计算每个月和每个标签的销售数量.

我正在尝试’groupby和apply’方法来实现这一目标,但不确定如何计算每个标签的月份.比方说,对于标签值AFFLELOU(DOS),我有7个月的两个值.所以,我应该将销售数量相加并除以2.

在第9个月和第10个月,我只有一个值,所以计数为1,它将除去销售数量.

我编写了下面的代码,但它不会将count作为函数并且返回计数未定义错误.

t1.groupby(['label', 'month']).apply(lambda x: x['Quantity sold']

.sum()/count('month'))

有人能告诉我如何获得每个标签每月的计数值吗？

提前致谢.

解决方法:

你可以使用agg(‘mean’)代替求和,计数和除法：

t1.groupby(['label', 'month'])['Quantity sold'].agg('mean')

或者,如果您确实希望保留金额和计数,请使用：

t1.groupby(['label', 'month'])['Quantity sold'].agg(['sum', 'count', 'mean'])

例如,

import numpy as np

import pandas as pd

t1 = pd.DataFrame(np.random.randint(4, size=(20,3)), columns=['label', 'Quantity sold', 'month'])

t1.groupby(['label', 'month'])['Quantity sold'].agg(['sum', 'count', 'mean'])

产生一个像DataFrame的数据框架

sum count mean

label month

0 1 2 1 2.00

2 0 1 0.00

3 2 2 1.00

1 1 1 2 0.50

2 3 1 3.00

3 1 1 1.00

2 0 0 1 0.00

1 0 3 0.00

3 5 4 1.25

3 0 1 1 1.00

1 0 1 0.00

2 0 1 0.00

3 3 1 3.00

使用groupby / agg及其内置聚合器sum,count和mean在这里显然更方便,但是如果你确实需要使用groupby / apply和自定义函数,你可以使用：

t1.groupby(['label', 'month']).apply(lambda x: x['Quantity sold'].sum()/len(x))

请注意,虽然使用groupby / apply调用自定义函数可以提供更大的灵活性,但这是有代价的,因为为每个组调用一次自定义Python函数通常比调用groupby / agg中可用的内置Cythonized聚合器要慢.

如果您销售的数量中缺少(NaN)值,则可能有助于知道group / agg同时具有’count’和’size’聚合器：

>’count’返回非NaN值的数量

>’size’返回组的长度(包括NaN值)

计数总是小于或等于大小.平均值是(非NaN值的)之和除以计数.要查看计数和大小之间的差异,您可以尝试使用以下代码：

np.random.seed(2018)

t1 = pd.DataFrame(np.random.randint(4, size=(50,3)), columns=['label', 'Quantity sold', 'month'])

t1.loc[np.random.choice([True, False], len(t1)), 'Quantity sold'] = np.nan

t1.groupby(['label', 'month'])['Quantity sold'].agg(['sum', 'count', 'size', 'mean'])

产量

sum count size mean

label month

0 1 0.0 0 3 NaN

2 6.0 2 2 3.000000

3 0.0 0 1 NaN

1 0 3.0 2 5 1.500000

1 0.0 0 1 NaN

2 5.0 3 5 1.666667

3 0.0 2 3 0.000000

2 0 7.0 3 5 2.333333

1 4.0 4 8 1.000000

2 5.0 2 3 2.500000

3 5.0 2 3 2.500000

3 0 1.0 2 5 0.500000

1 3.0 1 1 3.000000

2 2.0 1 2 2.000000

3 2.0 1 3 2.000000

标签：python,count,pandas,pandas-groupby