按分组行获取唯一值

Question

在做groupby('A')之前，我有一个这样的系列，我想看看这些组之间的组成差异：

    A    B    C
1  us   air   35
2  us   gas   34
3  us   sun   30
4  us   fog   23
5  us   mud   33
6  fr   air   45
7  fr   bug   15
8  fr   sun   35
9  fr   mud   85
      ...

有没有人能帮我看看组的变化？我需要的内容如下：

us    [air,gas,sun,fog,mud]
eu    [air,gas,sun,fog]
fr    [air,bug,sun,mud]

非常感谢，非常感谢您的帮助。

--更新

data is here

我想看看是不是每天都有相同的作文。当我尝试groupby('MonitorDate')['ItemEngName'].unique()时，它不能很好地工作

提前谢谢。

--更新

感谢@Perl。df.groupby('MonitorDate')['ItemEngName'].apply(list)起作用了。但这不是我想要的。我想要的是在一天内得到一个独特的组合(比如set)。类似于使用set( groupby后的‘ItemEngName’。

所以我尝试了df.groupby('MonitorDate')['ItemEngName'].unique()并得到了

MonitorDate 
2010/1/1    [AMB_TEMP, CO, NO, NO2, NOx, O3, PM10, PM2.5, ...
2010/1/2    [AMB_TEMP, CO, NO, NO2, NOx, O3, PM10, PM2.5, ...
2010/1/3    [AMB_TEMP, CO, NO, NO2, NOx, O3, PM10, PM2.5, ...
2010/1/4    [AMB_TEMP, CO, NO, NO2, NOx, O3, PM10, PM2.5, ...
2010/1/5    [AMB_TEMP, CO, NO, NO2, NOx, O3, PM10, PM2.5, ...
2010/1/6    [AMB_TEMP, CO, NO, NO2, NOx, O3, PM10, PM2.5, ...
2010/1/7    [AMB_TEMP, CO, NO, NO2, NOx, O3, PM10, PM2.5, ...
Name:     ItemEngName, dtype: object

看起来除了1/7，其他都是一样的。但是我需要手动检查差异。

--更新

预期输出：

再次感谢@perl

MonitorDate 
2010/1/1    [AMB_TEMP, CO, NO, NO2, NOx, O3, PM10, PM2.5, ..., WS_HR]
2010/1/7    [AMB_TEMP, CO, NO, NO2, NOx, O3, PM10, PM2.5, ...]
Name:     ItemEngName, dtype: object

对于更多的数据情况，更复杂的条件如下：

MonitorDate 
2010/1/1    [AMB_TEMP, CO, NO, NO2, NOx, O3, PM10, PM2.5, ..., WS_HR] (full)
2010/1/7    [AMB_TEMP, CO, NO, NO2, NOx, O3, PM10, PM2.5, ...] ..(lack WS_HR)
2010/1/8    [AMB_TEMP, CO, NO, NO2, NOx, O3, PM2.5, ..., WS_HR] .(lack PM10)
2010/1/9    [AMB_TEMP, CO, NO, NO2, NOx, O3, PM10, , ...] .......(lack PM2.5)
...
Name:     ItemEngName, dtype: object

我只能使用df.groupby('MonitorDate')["ItemEngName"].nunique().unique()来知道不同数量的项目，而不能知道组件的区别。有没有什么有效的方法？

Answer 1

您可以使用groupby A列，然后获取B列，并使用apply将分组的值转换为列表

df.groupby('A')['B'].apply(list)

输出：

A
fr         [air, bug, sun, mud]
us    [air, gas, sun, fog, mud]
Name: B, dtype: object

如果列表可能有重复，而您只对唯一值感兴趣，那么最好的选择可能是使用@anky的注释中的解决方案：

df.groupby('A')['B'].unique()

更新:除了2010/1/7没有WS_HR之外，数据集中的几乎相同

df[['MonitorDate', 'ItemEngName']].value_counts().unstack()

输出：

ItemEngName  AMB_TEMP   CO   NO  NO2  NOx   O3  PM10  PM2.5   RH  SO2  WD_HR  \
MonitorDate                                                                    
2010/1/1          1.0  1.0  1.0  1.0  1.0  1.0   1.0    1.0  1.0  1.0    1.0   
2010/1/2          1.0  1.0  1.0  1.0  1.0  1.0   1.0    1.0  1.0  1.0    1.0   
2010/1/3          1.0  1.0  1.0  1.0  1.0  1.0   1.0    1.0  1.0  1.0    1.0   
2010/1/4          1.0  1.0  1.0  1.0  1.0  1.0   1.0    1.0  1.0  1.0    1.0   
2010/1/5          1.0  1.0  1.0  1.0  1.0  1.0   1.0    1.0  1.0  1.0    1.0   
2010/1/6          1.0  1.0  1.0  1.0  1.0  1.0   1.0    1.0  1.0  1.0    1.0   
2010/1/7          1.0  1.0  1.0  1.0  1.0  1.0   1.0    1.0  1.0  1.0    1.0   

ItemEngName  WIND_DIREC  WIND_SPEED  WS_HR  
MonitorDate                                 
2010/1/1            1.0         1.0    1.0  
2010/1/2            1.0         1.0    1.0  
2010/1/3            1.0         1.0    1.0  
2010/1/4            1.0         1.0    1.0  
2010/1/5            1.0         1.0    1.0  
2010/1/6            1.0         1.0    1.0  
2010/1/7            1.0         1.0    NaN 

更新2:如果您只是想直观地检查哪些天有哪些项目，您可以绘制它。例如，您可以在此处看到2010/1/7上缺少WS_HR

z = df[['MonitorDate', 'ItemEngName']].value_counts().unstack()
plt.pcolor(z, alpha=0.2)
plt.yticks(np.arange(0.5, len(z.index), 1), z.index)
plt.xticks(np.arange(0.5, len(z.columns), 1), z.columns, rotation=90)
plt.show()

输出：

​

​