027—pandas 不同分类每天指定取值的比例

前言

本例我们将进行分组计算，分组后得到一个堆叠数据，并对堆叠数据解除堆叠，最后再按要求格式化为百分数样式。
此类操作会经常发生在业务数据透视场景下，一般都会有 Excel 来操作完成，今天我们使用 Python 的 pandas 的完成。

需求：

期望按 Category 分组，得到每日 Repeat 列 Y 值的占比，即 Y/(Y+N) 的百分比。

思路：

• 根据需求要求，要按 [‘Category’, ‘Date’] 进行分组，分组后最关键的是计算 Y 值的占比，计算占比可以写一个函数，先计算
  Y 的取值数据再除以当前组的总值数。
• 得到的分组数据是一个堆叠形式的数据，将其解除堆叠，第二层索引会出现在行索引上。
• 最后再利用 DataFrame 的 style 对象应用 format 方法进行百分数的格式化。

二、使用步骤

1.引入库

代码如下（示例）：

import pandas as pd
from io import StringIO
1
2

2.读入数据

代码如下（示例）：

data = '''
CustomerID Category Repeat Date
1 A Y 2022-01-10
2 B N 2022-01-10
3 A N 2022-02-10
4 A N 2022-01-10
5 B Y 2022-01-10
6 B Y 2022-02-10
7 A Y 2022-01-10
8 B N 2022-02-10
9 A Y 2022-02-10
10 A N 2022-01-10
11 A Y 2022-02-10
12 B N 2022-01-10
13 A N 2022-01-10
14 A N 2022-02-10
15 B Y 2022-02-10
16 B Y 2022-01-10
17 A Y 2022-01-10
18 B N 2022-02-10
19 A Y 2022-02-10
20 A N 2022-01-10
'''

df = pd.read_csv(StringIO(data), sep=' ')
df

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

#此时得到的是一个分组对象，每个分组包含各组的子 DataFrame。在计算时，只需要 Repeat 参与计算，因此我们可以取分组对象的 Repeat 的列，就得到了几个 Repeat 分组的子 Series。
#然后对这个分组对象应用函数：
(
    df.groupby(['Category', 'Date'])
    .Repeat
    .apply(lambda x: (x=='Y').sum()/x.count())
)
# 定义的 lambda 函数中，(x=='Y') 得到一个布尔序列，代表子 Series 对应位置上的是否为 Y，
# 由于 sum() 求值时， True 为 1，可以计算出有多少个 True，即得到有多少个值为 Y。
# 分母上的 x.count() 表示子序列有多少个值。
1
2
3
4
5
6
7
8
9
10

#上边代码得到的结果就是按 Category 分组下的每天 Y 值的占比。由于结果是一个堆叠形式，我们使用 unstack() 解除堆叠：
(
    df.groupby(['Category', 'Date'])
    .Repeat
    .apply(lambda x: (x=='Y').sum()/x.count())
    .unstack()
)
# 这样，Date 列就成为了列索引。
1
2
3
4
5
6
7
8

# 最后，使用 DataFrame 的 style 对象应用 format 方法进行百分数的格式化。
# 最终代码为：
(
    df.groupby(['Category', 'Date'])
    .Repeat
    .apply(lambda x: (x=='Y').sum()/x.count())
    .unstack()
    .style
    .format("{:.2%}")
)
1
2
3
4
5
6
7
8
9
10

总结

以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。