1

En este momento estoy intentando hacer algunos análisis de datos sin pandas para intentar desarrollar una mejor habilidad en programación, es decir, complicarme la vida. lo que haría muy fácil en pandas se me ha vuelto un dolor de cabezas sin utilizar esta librería.

En este caso estoy queriendo sumar ciertas partes de una lista. Esta lista tiene, entre tantas, dos columnas: una que solo son letras y otra un numero cualquiera. lo que quiero es sumar los números que están asociadas a esas letras.

lista_a = [a,a,a,a,b,b,b,b,b,c,c,d,d,d...]
lista_b = [23,4,345,32,534,6,323,5,323,...]

Es decir, en pandas yo haría el siguiente proceso si lo estuviese utilizando:

import pandas as pd 
# convierto  a data frame
df = pd.DataFrame(datos)
# corto esas dos columnas
df = df[["lista_a","lista_b"]]
#convierto  a entero
df["lista_b"] = df["lista_b"].astype(int)
# hago la suma de cada registro por letra
df.groupby("Lista_b").sum()

[out]:
          lista_b
Lista_a     
A         37
B         36
C         27
D         23
E         67


Para hacerlo sin pandas lo que he hecho es

lista_a = [i[0] for i in lista_a]
lista_a2 = set(lista_a)
lista_b = [int(i) for i in lista_b]
l = []
for i in lista_a2:
  c = 0

  for x in lista_a:
    if i == x:
      for n in lista_b:
        c = sum(lista_b)            

  l.append((i, c))
  l = sorted(l)

for i in l:
  print(i[0]+','+str(i[1]))

[out]:

A,34
B,34
C,34
D,34
E,34

34 es la suma de todos los números de mi columna real, pero no el resultado de cada uno de los registros por letra. ¿Alguna idea para ver que le falla al código? Mil gracias.

1 respuesta 1

1

El código falla por que c es la suma de toda tu columna (lista_b), dado que haces c = sum(lista_b), cuando debería ser la suma de los valores de lista_b para los que el elemento x en el mismo índice en lista_a cumple con if i == x.

Si seguimos tu idea original, el código debería ser algo así:

lista_a = ["A", "A","A", "A", "B", "B", "B", "B", "B", "C", "C", "D", "D", "D"]
lista_b = [23, 4, 345, 32, 534, 6, 323, 5, 323, 13, 17, 19, 23, 7]

lista_a2 = set(lista_a)

l = []
for i in lista_a2:
  c = 0
  for indice, x in enumerate(lista_a):
    if i == x:
        c += lista_b[indice]

  l.append((i, c))
  l.sort()

No obstante, esto es muy ineficiente porque iteramos una vez sobre lista_b por cada valor distinto de lista_a. La clave para hacer esto simple y eficiente es usar un diccionario y zip para iterar a la par sobre ambas listas en un solo ciclo:

lista_a = ["A", "A","A", "A", "B", "B", "B", "B", "B", "C", "C", "D", "D", "D"]
lista_b = [23, 4, 345, 32, 534, 6, 323, 5, 323, 13, 17, 19, 23, 7]

res = dict.fromkeys(lista_a, 0)
for a, b in zip(lista_a, lista_b):
   res[a] += b

print(*(f"{key}, {value}" for key, value in res.items()), sep="\n")

o usando collections.defaultdict:

import collections

res = collections.defaultdict(int)
for a, b in zip(lista_a, lista_b):
   res[a] += b

print(*(f"{key}, {value}" for key, value in res.items()), sep="\n")

Ciertamente podemos usar también itertools.groupby, pero no me parece ni lo más legible ni simple en este caso.

from itertools import groupby
from operator import itemgetter

res = [(key, sum(g[1] for g in group))
        for key, group in groupby(sorted(zip(lista_a, lista_b)), itemgetter(0))]

print(*(f"{a}, {b}" for a, b in res), sep="\n")

Hay que recordar siempre que itertools.groupby necesita que los datos estén ordenados adecuadamente en función de la clave de agrupamiento previamente. En este caso ya lo estaban, por lo que sorted(zip(lista_a, lista_b)) podría quedar como zip(lista_a, lista_b) simplemente, pero de no estarlo hay que ordenar o el resultado será incorrecto.

La salida en cualquier caso es:

A, 404
B, 1191
C, 30
D, 49

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.