Дві найкращі відповіді тут пропонують:
df.groupby(cols).agg(lambda x:x.value_counts().index[0])
або, бажано
df.groupby(cols).agg(pd.Series.mode)
Однак обидва вони зазнають невдач у простих крайніх випадках, як показано тут:
df = pd.DataFrame({
'client_id':['A', 'A', 'A', 'A', 'B', 'B', 'B', 'C'],
'date':['2019-01-01', '2019-01-01', '2019-01-01', '2019-01-01', '2019-01-01', '2019-01-01', '2019-01-01', '2019-01-01'],
'location':['NY', 'NY', 'LA', 'LA', 'DC', 'DC', 'LA', np.NaN]
})
Перший:
df.groupby(['client_id', 'date']).agg(lambda x:x.value_counts().index[0])
приносить IndexError(через порожній ряд, що повертається групою C). Секунда:
df.groupby(['client_id', 'date']).agg(pd.Series.mode)
повертається ValueError: Function does not reduce, оскільки перша група повертає список із двох (оскільки існує два режими). (Як задокументовано тут , якщо перша група поверне один режим, це буде працювати!)
У цьому випадку можливі два варіанти вирішення:
import scipy
x.groupby(['client_id', 'date']).agg(lambda x: scipy.stats.mode(x)[0])
І рішення, дане мені cs95 в коментарях тут :
def foo(x):
m = pd.Series.mode(x);
return m.values[0] if not m.empty else np.nan
df.groupby(['client_id', 'date']).agg(foo)
Однак усі вони повільні і не підходять для великих наборів даних. Рішення, яке я в підсумку використав, яке а) може впоратися з цими випадками та б) набагато, набагато швидше, - це злегка модифікована версія відповіді abw33 (яка повинна бути вище):
def get_mode_per_column(dataframe, group_cols, col):
return (dataframe.fillna(-1)
.groupby(group_cols + [col])
.size()
.to_frame('count')
.reset_index()
.sort_values('count', ascending=False)
.drop_duplicates(subset=group_cols)
.drop(columns=['count'])
.sort_values(group_cols)
.replace(-1, np.NaN))
group_cols = ['client_id', 'date']
non_grp_cols = list(set(df).difference(group_cols))
output_df = get_mode_per_column(df, group_cols, non_grp_cols[0]).set_index(group_cols)
for col in non_grp_cols[1:]:
output_df[col] = get_mode_per_column(df, group_cols, col)[col].values
По суті, метод працює на одному колі за раз і видає df, тому замість того concat, що є інтенсивним, ви обробляєте перший як df, а потім ітеративно додаєте вихідний масив ( values.flatten()) як стовпець у df.