python – 熊猫数据帧频率操作

我只是从熊猫开始,我想知道如何计算每家公司每年的文件数量(唯一)

我的数据是：
DF

  year  document_id  company
0   1999    3     Orange
1   1999    5     Orange
2   1999    3     Orange
3   2001    41    Banana
4   2001    21    StrawBerry
5   2001    18    StrawBerry
6   2002    44    Orange

最后,我希望有一个像这样的新数据框

  year    document_id  company nbDocument
0   1999    [3,5]     Orange       2
1   2001    [21]      Banana       1
2   2001    [21,18]   StrawBerry   2
3   2002    [44]      Orange       1

我试过了 ：

count2 = apyData.groupby(['year','company']).agg({'document_id': pd.Series.value_counts})

但是对于groupby操作,我不能拥有这种结构并且在1999年为Orange计算独特的价值,例如,有没有办法做到这一点？

谢谢

解决方法:

您可以创建一个新的DataFrame,并使用list comprension添加唯一的document_id,如下所示：

result = pd.DataFrame()
result['document_id'] = df.groupby(['company', 'year']).apply(lambda x: [d for d in x['document_id'].drop_duplicates()])

既然你有一个唯一的document_id列表,你只需要得到这个列表的长度：

result['nbDocument'] = result.document_id.apply(lambda x: len(x))

要得到：

result.reset_index().sort_values(['company', 'year'])

      company  year document_id  nbDocument
0      Banana  2001        [41]           1
1      Orange  1999      [3, 5]           2
2      Orange  2002        [44]           1
3  StrawBerry  2001    [21, 18]           2