Pandas Groupby Agg函数列/数据类型错误

Question

我正在学习《Python数据分析》一书，目前在第9章（数据聚合和分组操作）中遇到了“使用函数进行分组”一节的问题。

具体来说，如果我使用GroupBy对象方法或例如由Numpy定义的函数，一切都正常。特别是它会忽略包含字符串的列，只处理（适当的）数值列。然而，如果我尝试定义自己的函数来计算一些数值输出，它不会忽略包含字符串的列，并返回一个属性错误。

以下是我遇到困难的示例：

df = DataFrame({'data1':np.random.randn(5),
                'data2':np.random.randn(5),
                'key1':['a','a','b','b','a'],
                'key2':['one','two','one','two','one']})

如果我输入以下任意一个（我已经导入了numpy作为np），它可以正常工作：

df.groupby('key1').mean()

或者

grouped = df.groupby('key1')

grouped.agg(np.mean())

但是如果我尝试这些，就会出现错误（'peak_to_peak'是书中的）：

def peak_to_peak(arr):
    return arr.max() - arr.min()

grouped.agg(peak_to_peak)

grouped.agg(lambda x: np.mean(x))

尝试使用“peak_to_peak”时，出现了一个大而长的错误，最后以以下内容结束：

TypeError: unsupported operand type(s) for -: 'str' and 'str'

使用 np.mean() 尝试 lambda 函数时，我得到了一个以此结束的大长错误：

TypeError: Could not convert onetwoone to numeric

尝试其他用户定义的函数会产生类似的错误。在所有这些情况下，很明显它试图将peak_to_peak()或np.mean()（或其他函数）应用于df的“key2”列（子集），而对于内置方法和预定义函数，它（正确地）忽略了“key2”列子集。欢迎任何见解。

更新：事实证明，如果我将'peak_to_peak'或lambda函数作为列表传递（例如，grouped.agg([peak_to_peak]）），它可以正常工作。请注意，这不是书中所呈现的方式，也不需要预定义函数使用列表。因此，仍然令人困惑，但至少是可行的。

- Noah Motion

---

你正在使用pandas的哪个版本？在最新的master上，对于.agg(lambda x: np.mean(x))我在key2列中得到了NaN值。关于agg的文档根本没有提到这一点，但是应该提到。愿意在github上开一个问题吗？ - undefined

我有pandas 0.13.1（还有numpy 1.7.1和python 2.7.6，不过这些可能没什么用）。我在我的代码中没有看到任何NaN值...我会考虑在GitHub上提交一个问题。感谢您的回复。 - undefined

这是从0.13之前的一个回归问题，不确定具体是什么时候（据我所知，该书基于大约0.10版本）；在这里修复了。https://github.com/pydata/pandas/pull/6338；它应该基本上忽略那一列（之前只是没有捕捉到错误）。 - undefined

Answer 1

在你使用的方法中，你将列作为参数逐个传递给函数，并且包含所有的值。然而，由于key2列中存在非数字值，所以无法对两个字符串进行减法运算。

你可以按照以下方式解决这个问题：

grouped[["data1", "data2"]].agg(peak_to_peak)

grouped[["data1", "data2"]].agg(lambda x: np.mean(x))`

- Osman Durdag