如何基于DataFrame的ANSWER列派生Yes/No分组计数两列
问题根源
之前尝试的方案不对,本质是两个没解决的问题:
- 没有对
ANSWER列的大小写、格式差异做标准化,导致YES/Yes/yes、NO/No/no无法被统一识别为对应类别 - 分组统计的结果和原表行数不对齐,要么算出全表总计数,要么出现取值错位
核心解决方法是用groupby的transform方法,直接把组内统计值按索引映射回原表每一行,不需要手动做表连接对齐。
为什么之前的方法得不到正确结果
- 如果不指定分组键,直接对全表
ANSWER列做计数,得到的就是整个表的全局总数,所有行的取值完全一致 - 如果用普通
groupby().agg()做聚合,得到的结果是每个分组仅一行,和原表的行数不匹配,直接赋值就会出现索引错位,没法逐行匹配所属分组的计数 transform的优势是返回结果的长度和原表完全一致,会自动把组内的统计值广播给组内的每一行,天生适配逐行赋值的需求
可直接运行的实现代码
首先还原你给出的原始DataFrame:
import pandas as pd df = pd.DataFrame({ "Customer_ID": [1, 1, 1, 1], "Project_ID": [1, 1, 2, 2], "QUESTION_TYP": ["2nd QUES", "2nd QUES", "2nd QUES", "2nd Ques."], "ANSWER": ["YES", "YES", "NO", "Yes"] })
第一步,做答案文本的标准化,消除格式差异的影响:
# 去掉首尾空格、统一转小写,兼容所有大小写组合的答案 df["ANSWER_CLEAN"] = df["ANSWER"].str.strip().str.lower()
第二步,按Customer_ID、Project_ID做分组,计算组内的Yes、No计数:
group_keys = ["Customer_ID", "Project_ID"] # col_1:每个分组内Yes类答案的总数量 df["col_1"] = df.groupby(group_keys)["ANSWER_CLEAN"].transform(lambda s: (s == "yes").sum()) # col_2:每个分组内No类答案的总数量 df["col_2"] = df.groupby(group_keys)["ANSWER_CLEAN"].transform(lambda s: (s == "no").sum()) # 清理临时使用的标准化列 df = df.drop(columns=["ANSWER_CLEAN"])
最终运行结果
| Customer_ID | Project_ID | QUESTION_TYP | ANSWER | col_1 | col_2 |
|---|---|---|---|---|---|
| 1 | 1 | 2nd QUES | YES | 2 | 0 |
| 1 | 1 | 2nd QUES | YES | 2 | 0 |
| 1 | 2 | 2nd QUES | NO | 1 | 1 |
| 1 | 2 | 2nd Ques. | Yes | 1 | 1 |
注:你最初给出的示例结果中,
Customer_ID=1、Project_ID=2的两行col值存在笔误。按照分组统计的规则,同属一个组的两行必须共享组内的总计数,不会出现同一组两行计数不一致的情况。如果你的需求确实是“每一行只统计自身是否符合Yes/No规则、不累计同组其他行”,那不需要做分组,直接逐行判断即可,但这和你提到的“按Customer_ID与Project_ID分组计数”的需求逻辑不符。
内容的提问来源于stack exchange,提问作者Minchu
相关产品推荐
相关产品推荐

