As duas principais respostas aqui sugerem:
df.groupby(cols).agg(lambda x:x.value_counts().index[0])
ou, de preferência
df.groupby(cols).agg(pd.Series.mode)
No entanto, ambos falham em casos extremos simples, conforme demonstrado aqui:
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]
})
O primeiro:
df.groupby(['client_id', 'date']).agg(lambda x:x.value_counts().index[0])
rendimentos IndexError(por causa da série vazia retornada pelo grupo C). O segundo:
df.groupby(['client_id', 'date']).agg(pd.Series.mode)
retorna ValueError: Function does not reduce, já que o primeiro grupo retorna uma lista de dois (já que existem dois modos). (Conforme documentado aqui , se o primeiro grupo retornasse um único modo, isso funcionaria!)
Duas soluções possíveis para este caso são:
import scipy
x.groupby(['client_id', 'date']).agg(lambda x: scipy.stats.mode(x)[0])
E a solução que me foi dada pelo cs95 nos comentários aqui :
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)
No entanto, todos eles são lentos e não adequados para grandes conjuntos de dados. Uma solução que acabei usando, que a) pode lidar com esses casos eb) é muito, muito mais rápida, é uma versão levemente modificada da resposta de abw33 (que deveria ser maior):
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
Essencialmente, o método funciona em uma coluna por vez e produz um df, portanto, em vez de concat, que é intensivo, você trata o primeiro como um df e, em seguida, adiciona iterativamente o array de saída ( values.flatten()) como uma coluna no df.