熊猫-对一组列进行分箱，然后对另一组列求和

Question

我有一组价格和金额-其中amt1为price1的总体积。对我来说，价格太精确了，我想根据价格将价格/金额对分组/合并/汇总到均匀分布的存储桶中，然后对金额进行求和。例如，我原来的df：index    price1 price2 price3 price4 amt1 amt2 amt3 amt41          451    454    462    470   10    1   2   52          448    452    458    464   8     2   6   23          461    463    468    480   1     3   6   94          453    455    471    481   4     3   2   4将产生：index bin1 bin2 bin3 bin4 bin5 amt1 amt2 amt3 amt4 amt51     440  450  460  470  480   0    11   2    5    02     440  450  460  470  480   8     8   2    0    03     440  450  460  470  480   0     0  10    0    94     440  450  460  470  480   0     7   0    2    4几件事要注意：我选择将10装箱。bin1表示440-449。价格始终按升序排列。我实际上有500个价格/体积对要计算（1000列df），因此需要扩展。速度实际上是优先考虑的事情（尽管乞g不能成为选择者）。感谢任何帮助。

Answer 1

首先创建带有组的扁平化DataFrame，以通过numpy.ravel和区分行numpy.repeat：

a = df.filter(like='price').values.ravel()

b = df.filter(like='amt').values.ravel()

c = np.repeat(np.arange(len(df)), len(df.filter(like='price').columns))

df = pd.DataFrame({'bin':a, 'amt':b, 'g':c})

print (df)

    bin  amt  g

0   451   10  0

1   454    1  0

2   462    2  0

3   470    5  0

4   448    8  1

5   452    2  1

6   458    6  1

7   464    2  1

8   461    1  2

9   463    3  2

10  468    6  2

11  480    9  2

12  453    4  3

13  455    3  3

14  471    2  3

15  481    4  3

然后按以下类别进行分类cut-我尝试按楼层分隔和多个依据动态创建标签和分类箱10，然后按以下方式聚合sum并整形unstack：

val = (df['bin'] // 10)

labels = np.arange(val.min() * 10, val.max() * 10 + 10, 10)

bins = np.append(labels, val.max() * 10 + 10)

df = (df.groupby(['g', pd.cut(df['bin'], bins=bins, labels=labels, right=False)])['amt'].sum()

       .unstack(fill_value=0))

print (df)

bin  440  450  460  470  480

g                           

0      0   11    2    5    0

1      8    8    2    0    0

2      0    0   10    0    9

3      0    7    0    2    4

上次创建预期格式df-添加新列，assign并使用已重命名的列添加join原始df列：

cols1 = ['bin{}'.format(x) for x in range(1, len(df.columns) + 1)]

cols2 = ['amt{}'.format(x) for x in range(1, len(df.columns) + 1)]

d1= dict(zip(cols1, df.columns))

d2= dict(zip(df.columns, cols2))

df1 = pd.DataFrame(index=df.index).assign(**d1).join(df.rename(columns=d2))

print (df1)

   bin1  bin2  bin3  bin4  bin5  amt1  amt2  amt3  amt4  amt5

g                                                            

0   440   450   460   470   480     0    11     2     5     0

1   440   450   460   470   480     8     8     2     0     0

2   440   450   460   470   480     0     0    10     0     9

3   440   450   460   470   480     0     7     0     2     4