J'ai des données de score et je souhaite les regrouper par segmentation de score personnalisée.
Id Date Score
1 2018-01-01 56
2 2018-01-01 72
3 2018-01-01 91
4 2018-01-01 67
5 2018-01-01 65
6 2018-01-02 75
7 2018-01-02 72
8 2018-01-02 91
9 2018-01-02 82
10 2018-01-02 81
Voici ce que j'attendais
Date <60 60-79 80-100
2018-01-01 1 3 1
2018-01-02 0 2 3
Ce que j'ai fait c'est
result = pd.crosstab(df.Date, df.Score)
result['<60'] = result['1']+ ... + result['59']
result['60-79'] = result['60']+ ... + result['79']
result['80-100'] = result['80']+ ... + result['100']
Puis je devrais laisser tomber beaucoup de colonnes
Une meilleure façon de procéder?
3
Nabih Bawazir
16 avril 2018 à 16:58
4 réponses
Meilleure réponse
In [59]: pd.crosstab(
df.Date,
pd.cut(df.Score, bins=[0, 60, 79, 100], labels='<60 60-79 80-100'.split()))
Out[59]:
Score <60 60-79 80-100
Date
2018-01-01 1 3 1
2018-01-02 0 2 3
4
MaxU
16 avril 2018 à 14:11
Vous pouvez utiliser value_counts et transmettre bins dont vous avez besoin
df.groupby('Date').Score.apply(pd.Series.value_counts,bins=[-np.inf, 60, 79, 100]).unstack()
Out[442]:
(-inf, 60.0] (60.0, 79.0] (79.0, 100.0]
Date
2018-01-01 1 3 1
2018-01-02 0 2 3
3
YOBEN_S
16 avril 2018 à 14:21
Une façon consiste à utiliser pandas.cut suivi de pandas.pivot_table:
df['Bin'] = pd.cut(df['Score'], [0, 60, 79, 100])
res = df.drop('Id', 1)\
.pivot_table(index='Date', columns='Bin', aggfunc='count')\
.fillna(0).astype(int)
print(res)
# Score
# Bin (0, 60] (60, 79] (79, 100]
# Date
# 2018-01-01 1 3 1
# 2018-01-02 0 2 3
3
jpp
16 avril 2018 à 14:08
Utilisez groupby avec < a href = "http://pandas.pydata.org/pandas-docs/stable/generated/pandas.cut.html" rel = "nofollow noreferrer"> cut et size:
bins = [-np.inf, 60, 79, 100]
labels = ['<60','60-79','80-100']
df = (df.groupby([df['Date'], pd.cut(df['Score'], bins=bins, labels=labels)])
.size()
.unstack(fill_value=0))
print (df)
Score <60 60-79 80-100
Date
2018-01-01 1 3 1
2018-01-02 0 2 3
6
jezrael
16 avril 2018 à 14:10