我有一個資料框：
date id type revenue
0 2021-09-01 Zw b1 20.045350
1 2021-09-01 Aw c 8.990000
2 2021-09-01 Zc c 14.990000
3 2021-09-01 ww b 25.944510
4 2021-09-01 jw c 3.881649
5 2021-09-01 pw b 9.990000
6 2021-09-01 fg c 2.990000
7 2021-09-01 kl b 4.990000
8 2021-09-02 mm b 7.990000
我想計算每種型別的平均收入，但不是按型別組計算，而是按日期組計算。因此，例如平均型別“b1”必須不是 20.045350（因為只有一個 b1 型別），而是 20.045350/8 = 2.5（因為列日期中有 8 個 2021-09-01 值）。所以想要的結果必須是：
date type revenue
0 2021-09-01 b1 2.5
0 2021-09-01 c 3.85
0 2021-09-01 b 5.11
0 2021-09-02 b 7.990000
怎么做？groupby("date", "type").mean() 帶來錯誤的結果：
date type revenue
0 2021-09-01 b1 20.045
0 2021-09-01 c 7.71
0 2021-09-01 b 13.64
0 2021-09-02 b 7.990000
uj5u.com熱心網友回復：
df1 = df.groupby('date')['id'].count().reset_index().\
rename({'id':'count'}, axis = 1).merge(df)
df2 = df1.assign(revenue = df1.revenue/df1['count']).groupby(['date','type']).\
agg({'revenue':sum}).reset_index()
df2
date type revenue
0 2021-09-01 b 5.115564
1 2021-09-01 b1 2.505669
2 2021-09-01 c 3.856456
3 2021-09-02 b 7.990000
一種奇特的做法是：
df.groupby('date')['id'].count().reset_index().rename({'id':'count'}, axis = 1).merge(df).\
pipe(lambda x: x.assign(revenue = x.revenue/x['count'])).groupby(['date','type']).\
agg({'revenue':sum}).reset_index()
uj5u.com熱心網友回復：
做一個雙重分組并將它們分開：
(df.groupby(['type', 'date'])
.revenue
.sum()
.div(df.date.value_counts(), level='date')
)
type date
b 2021-09-01 5.115564
2021-09-02 7.990000
b1 2021-09-01 2.505669
c 2021-09-01 3.856456
dtype: float64
解釋 ：
- 獲取日期的計數：
counts = df.date.value_counts()
- 獲取收益的基礎上，總和
type和date：
revenue_sum = df.groupby(['type', 'date']).revenue.sum()
除以revenue_sum通過counts使用date水平：
revenue_sum.div(counts, level='date')
type date
b 2021-09-01 5.115564
2021-09-02 7.990000
b1 2021-09-01 2.505669
c 2021-09-01 3.856456
dtype: float64
轉載請註明出處，本文鏈接：https://www.uj5u.com/qukuanlian/344561.html