如何根据Pandas DataFrame中其他列的值仅累加列的某些元素？

Question

假设我们有一个熊猫数据框类似如下：

df=pd.DataFrame({'name':['Ind','Chn','SG','US','SG','US','Ind','Chn','Fra','Fra'],'a':[5,6,3,4,7,12,66,78,65,100]})

我想总结列的“A”为列“名”的每个不同的值的值。

我试过这段代码：

for i in df['name'].unique(): df['tot']=df[(df.name==i)]['a'].sum()

在出现的新列，“TOT”列仅包含所有行的“名字”，即（仅适用于“法兰克福机场”）去年不同的价值的总和而不是[Ind，US，Fra等]中的每一个的单独值。我希望在新列（tot）中为'name'列的每个唯一值创建一个单元格，并最终希望通过每个唯一值的总和对整个日期框架'df'进行排序。

我使用的字典试过，

dc={} 
for i in df['name'].unique(): 
    dc[i]=dc.get(i,0)+(df[(df.name==i)]['a'].sum()) 

我得到期望的结果，虽然在词典中，所以我不知道如何排序DF从这里基于字典“DC”的值。

{ '工业'：71， 'CHN'：84， 'SG'：10， 'US'：16， '弗拉'：165}

有谁请解释的过程中以尽可能多的方式锻炼这种情景？处理大量数据时，哪种方法最有效？谢谢！

编辑：我的预期输出只是将数据框df按新列'tot'的值排序。或者像查找与'tot'列中的最大值或最小值关联的行。

Answer 1

您正在寻找groupby

df=pd.DataFrame({'name':['Ind','Chn','SG','US','SG','US','Ind','Chn','Fra','Fra'],'a':[5,6,3,4,7,12,66,78,65,100]}) 
df.groupby('name').a.sum() 

Out[950]: 
name 
Chn  84 
Fra 165 
Ind  71 
SG  10 
US  16 
Name: a, dtype: int64 

编辑：

df.assign(total=df.name.map(df.groupby('name').a.sum())).sort_values(['name','total']) 


Out[964]: 
    a name total 
1 6 Chn  84 
7 78 Chn  84 
8 65 Fra 165 
9 100 Fra 165 
0 5 Ind  71 
6 66 Ind  71 
2 3 SG  10 
4 7 SG  10 
3 4 US  16 

编辑2：

df.groupby('name').a.sum().sort_values(ascending=True) 
Out[1111]: 
name 
SG  10 
US  16 
Ind  71 
Chn  84 
Fra 165 
Name: a, dtype: int64 
df.groupby('name').a.sum().sort_values(ascending=False) 
Out[1112]: 
name 
Fra 165 
Chn  84 
Ind  71 
US  16 
SG  10 
Name: a, dtype: int64 

(df.groupby('name').a.sum().sort_values(ascending=False)).index.values 
Out[1119]: array(['Fra', 'Chn', 'Ind', 'US', 'SG'], dtype=object) 

Answer 2

IIUIC，用groupby和transform

In [3716]: df['total'] = df.groupby('name')['a'].transform('sum') 

In [3717]: df 
Out[3717]: 
    a name total 
0 5 Ind  71 
1 6 Chn  84 
2 3 SG  10 
3 4 US  16 
4 7 SG  10 
5 12 US  16 
6 66 Ind  71 
7 78 Chn  84 
8 65 Fra 165 
9 100 Fra 165 

而且，使用sort_values

In [3719]: df.sort_values(by='total', ascending=False) 
Out[3719]: 
    a name total 
8 65 Fra 165 
9 100 Fra 165 
1 6 Chn  84 
7 78 Chn  84 
0 5 Ind  71 
6 66 Ind  71 
3 4 US  16 
5 12 US  16 
2 3 SG  10 
4 7 SG  10