Python:使用group by选择最常用

Question

如何获取Python中每个标记出现频率最高的类别(模式)？

+------------------+----------+
| tag              | category |
+------------------+----------+
| automotive       |        8 |
| ba               |        8 |
| bamboo           |        8 |
| bamboo           |        8 |
| bamboo           |        8 |
| bamboo           |        8 |
| bamboo           |        8 |
| bamboo           |       10 |
| bamboo           |        8 |
| bamboo           |        9 |
| bamboo           |        8 |
| bamboo           |       10 |
| bamboo           |        8 |
| bamboo           |        9 |
| bamboo           |        8 |
| banana tree      |        8 |
| banana tree      |        8 |
| banana tree      |        8 |
| banana tree      |        8 |
| bath             |        9 |
+-----------------------------+

预期输出将如下所示

    tag     | category 
------------+-----------
 ba         |        8      
 automotive |        8      
 bananatree |        8        
 bath       |        9    
 bamboo     |        8 

由于我的数据集的机密性，我借用了Stephen J. Fuhry的表格，并在MySQL SELECT most frequent by group上编辑了David Fuhry的输出。

Answer 1

在注释中，您注意到您使用的是pandas。您可以执行以下操作：

>>> df

           tag  category
0    automotive         8
1            ba         8
2        bamboo         8
3        bamboo         8
4        bamboo         8
5        bamboo         8
6        bamboo         8
7        bamboo        10
8        bamboo         8
9        bamboo         9
10       bamboo         8
11       bamboo        10
12       bamboo         8
13       bamboo         9
14       bamboo         8
15  banana tree         8
16  banana tree         8
17  banana tree         8
18  banana tree         8
19         bath         9

在‘groupby’列的'tag‘上执行一个标签，然后在每个组中使用mode方法。然而，我们必须将其设为条件，因为如果观察值的数量小于3，pandas不会返回mode的数字(在组中有1个或2个观察值的特殊情况下，我们可以只返回组本身)。我们可以使用带有lambda函数的aggregate/agg方法来完成此操作：

>>> mode = lambda x: x.mode() if len(x) > 2 else np.array(x)
>>> df.groupby('tag')['category'].agg(mode)

tag
automotive     8
ba             8
bamboo         8
banana tree    8
bath           9

注意，当模式是多模式时，你会得到一个数组(numpy)。例如，假设bath有两个条目(所有其他数据都相同)：

tag|category
bath|9
bath|10

在这种情况下，输出将是：

>>> mode = lambda x: x.mode() if len(x) > 2 else np.array(x)
>>> df.groupby('tag')['category'].agg(mode)

tag
automotive           8
ba                   8
bamboo               8
banana tree          8
bath           [9, 10]

您也可以使用value_counts方法代替mode。再次，对‘groupby’列的'tag‘执行一次标记，然后在每个组中使用value_counts方法。value_counts按降序排列，因此您希望获取第一行的索引：

>>> df.groupby('tag')['category'].agg(lambda x: x.value_counts().index[0])

tag
automotive     8
ba             8
bamboo         8
banana tree    8
bath           9

但是，在多模式情况下，这不会返回数组。它将只返回第一个模式。