Применить функцию к нескольким столбцам в group_by в полях

Учитывая этот фрейм данных:

polars_df = pl.DataFrame({
    "name": ["A","B","C"],
    "group": ["a","a","b"],
    "val1": [1, None, 3],
    "val2": [1, 5, None],
    "val3": [None, None, 3],
})

Я хочу рассчитать среднее значение и подсчитать количество NA в трех столбцах val* для каждой группы. Итак, результат должен выглядеть так:

pl.DataFrame([
    {'group': 'a', 'mean': 2.0, 'percentage_na': 0.5},
    {'group': 'b', 'mean': 3.0, 'percentage_na': 0.3333333333333333}
])

В Pandas я смог сделать это с помощью этого (довольно уродливого и неоптимизированного) кода:

df = polars_df.to_pandas()

pd.concat([
    df.groupby(["group"]).apply(lambda g: g.filter(like = "val").mean().mean()).rename("mean"),
    df.groupby(["group"]).apply(lambda g: g.filter(like = "val").isna().sum().sum() / (g.filter(like = "val").shape[0] * g.filter(like = "val").shape[1])).rename("percentage_na")
], axis=1)
Стоит ли изучать PHP в 2023-2024 годах?
Стоит ли изучать PHP в 2023-2024 годах?
Привет всем, сегодня я хочу высказать свои соображения по поводу вопроса, который я уже много раз получал в своем сообществе: "Стоит ли изучать PHP в...
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
В JavaScript одним из самых запутанных понятий является поведение ключевого слова "this" в стрелочной и обычной функциях.
Приемы CSS-макетирования - floats и Flexbox
Приемы CSS-макетирования - floats и Flexbox
Здравствуйте, друзья-студенты! Готовы совершенствовать свои навыки веб-дизайна? Сегодня в нашем путешествии мы рассмотрим приемы CSS-верстки - в...
Тестирование функциональных ngrx-эффектов в Angular 16 с помощью Jest
В системе управления состояниями ngrx, совместимой с Angular 16, появились функциональные эффекты. Это здорово и делает код определенно легче для...
Концепция локализации и ее применение в приложениях React ⚡️
Концепция локализации и ее применение в приложениях React ⚡️
Локализация - это процесс адаптации приложения к различным языкам и культурным требованиям. Это позволяет пользователям получить опыт, соответствующий...
Пользовательский скаляр GraphQL
Пользовательский скаляр GraphQL
Листовые узлы системы типов GraphQL называются скалярами. Достигнув скалярного типа, невозможно спуститься дальше по иерархии типов. Скалярный тип...
0
0
57
5
Перейти к ответу Данный вопрос помечен как решенный

Ответы 5

Вы можете использовать melt и concat:

In [43]: pl.concat(
    ...:     [
    ...:         polars_df.groupby("group")
    ...:         .agg(pl.exclude("name").mean())
    ...:         .melt("group")
    ...:         .groupby("group")
    ...:         .agg(pl.col("value").mean())
    ...:         .rename({"value": "mean"}),
    ...:         polars_df.groupby("group")
    ...:         .agg(pl.exclude("name").is_null().mean())
    ...:         .melt("group")
    ...:         .groupby("group")
    ...:         .agg(pl.col("value").mean())
    ...:         .drop("group")
    ...:         .rename({"value": "percentage_na"}),
    ...:     ],
    ...:     how = "horizontal",
    ...: )
Out[43]:
shape: (2, 3)
┌───────┬──────┬───────────────┐
│ group ┆ mean ┆ percentage_na │
│ ---   ┆ ---  ┆ ---           │
│ str   ┆ f64  ┆ f64           │
╞═══════╪══════╪═══════════════╡
│ a     ┆ 2.0  ┆ 0.5           │
│ b     ┆ 3.0  ┆ 0.333333      │
└───────┴──────┴───────────────┘

Не самый простой, посмотрим, есть ли более простой способ

Похоже, должен быть более простой способ - вот пара попыток:

df.select("group",
   mean = 
      pl.concat_list(pl.mean(r"^val.+$").over("group"))
        .arr.mean(),
   percentage_na = 
      pl.sum(pl.col("^val.+$").null_count().over("group"))
       /  pl.sum(pl.col("^val.+$").count().over("group"))
).unique(subset = "group")
(
   df
   .select(r"^(group|val.+)$")
   .with_columns(
      mean = 
         pl.concat_list(pl.mean("^val.+$").over("group"))
           .arr.mean())
   .melt(id_vars=["group", "mean"])
   .groupby("group")
   .agg(
      pl.first("mean"),
      percentage_na =
         pl.col("value").null_count() / pl.col("value").count())
)
shape: (2, 3)
┌───────┬──────┬───────────────┐
│ group | mean | percentage_na │
│ ---   | ---  | ---           │
│ str   | f64  | f64           │
╞═══════╪══════╪═══════════════╡
│ a     | 2.0  | 0.5           │
│ b     | 3.0  | 0.333333      │
└───────┴──────┴───────────────┘

Как ваша группа имеет среднее значение = 2? Значения 1,1 и 5. Должно быть 7/3=2,33333, не так ли?

Dean MacGregor 22.02.2023 23:20

@DeanMacGregor Это .mean() из pl.col("val1").mean(), pl.col("val2").mean(), pl.col("val3").mean() - так что 1, (1, 5) -> 1, 3 -> 2

jqurious 22.02.2023 23:21

Я считаю, что когда среднее значение вычисляется по столбцу, мы получаем 2. среднее значение val1 для группы a = avg (1, null) = 1 среднее значение val2 для группы a = avg (5,1) = 3 среднее значение val3 для группа a = avg(null, null) = нулевое общее среднее значение для группы a = avg(1,3, null) = 2 это все?

Luca 22.02.2023 23:25

Я откатил свой ответ, когда ответ будет 2.33

all_cols_except_val=[x for x in df.columns if "val" not in x]
df.melt(id_vars=all_cols_except_val) \
    .groupby('group') \
    .agg(
        mean=pl.col('value').mean(),
        percent_na=pl.col('value').is_null().sum()/pl.col('value').count()
    )


shape: (2, 3)
┌───────┬──────────┬────────────┐
│ group ┆ mean     ┆ percent_na │
│ ---   ┆ ---      ┆ ---        │
│ str   ┆ f64      ┆ f64        │
╞═══════╪══════════╪════════════╡
│ b     ┆ 3.0      ┆ 0.333333   │
│ a     ┆ 2.333333 ┆ 0.5        │
└───────┴──────────┴────────────┘

Мне нравится использовать расплав в начале, это хорошее чистое решение.

Luca 22.02.2023 23:32
Ответ принят как подходящий

Вот мое предложение, сильно вдохновленное первым ответом @jqurious.

combined_lists = pl.concat_list(r"^val.+$").list().over("group")

df.select(
    'group',
    mean = 
        combined_lists.arr.eval(pl.element().arr.explode()).arr.mean(),
    percentage_na = 
        combined_lists.arr.eval(pl.element().arr.explode().null_count() 
        / pl.element().arr.explode().count()).flatten()
).unique(subset = 'group')

shape: (2, 3)
┌───────┬──────────┬───────────────┐
│ group ┆ mean     ┆ percentage_na │
│ ---   ┆ ---      ┆ ---           │
│ str   ┆ f64      ┆ f64           │
╞═══════╪══════════╪═══════════════╡
│ a     ┆ 2.333333 ┆ 0.5           │
│ b     ┆ 3.0      ┆ 0.333333      │
└───────┴──────────┴───────────────┘

Как упомянул @Dean MacGregor, я также понимаю, что среднее значение группы a должно быть 2,33 вместо 2.

Вдохновленный Дином МакГрегором и приняв ваше исправление, что я случайно вычислил среднее значение среднего в моем коде панд, и на самом деле это должно быть просто среднее значение по группе, я наконец придумал это решение:

all_cols_except_val=[x for x in df.columns if "val" not in x]

df.melt(id_vars=all_cols_except_val).groupby("group").agg([
    pl.col('value').mean().alias("mean"),
    (pl.col('value').is_null().sum()/pl.col('value').count()).alias("percent_na"),
])

Всем спасибо :)

Я откатил свой ответ до того, как это было средством средства.

Dean MacGregor 23.02.2023 12:48

Другие вопросы по теме