1

Tengo los siguientes datos:

import pandas as pd, numpy as np
ciudades = [
  {"ciudad": "Madrid", "pais": "España", "continente": "Europa", "valor": 8},
  {"ciudad": "Barcelona", "pais": "España", "continente": "Europa", "valor": 6},
  {"ciudad": "Valencia", "pais": "España", "continente": "Europa", "valor": 5},
  {"ciudad": "Lausana", "pais": "Suiza", "continente": "Europa", "valor": 9},
  {"ciudad": "ginebra", "pais": "Suiza", "continente": "Europa", "valor": 6},
  {"ciudad": "zurich", "pais": "Suiza", "continente": "Europa", "valor": 5},
  {"ciudad": "Paris", "pais": "Francia", "continente": "Europa", "valor": 8},
  {"ciudad": "Nueva York", "pais": "Estados Unidos", "continente": "America", "valor": 8},
  {"ciudad": "San Francisco", "pais": "Estados Unidos", "continente": "America", "valor": 7},
  {"ciudad": "Los Angeles", "pais": "Estados Unidos", "continente": "America", "valor": 6},
  {"ciudad": "Toronto", "pais": "Canadá", "continente": "America", "valor": 6}
]
df = pd.DataFrame(ciudades)

introducir la descripción de la imagen aquí

¿Cómo puedo con pandas agrupar en jerarquía los datos para conseguir el siguiente formato de salida?

introducir la descripción de la imagen aquí

2 respuestas 2

1

Podemos empezar por usar un índice jerárquico, para que todo quede agrupado por continente primero, después por país, y finalmente por ciudad:

table = df.set_index(["continente", "pais", "ciudad"])

Resultado:

                                         valor
continente pais           ciudad              
Europa     España         Madrid             8
                          Barcelona          6
                          Valencia           5
           Suiza          Lausana            9
                          ginebra            6
                          zurich             5
           Francia        Paris              8
America    Estados Unidos Nueva York         8
                          San Francisco      7
                          Los Angeles        6
           Canadá         Toronto            5

Ahora podemos procesar esta tabla agrupando por niveles, y en cada nivel calculamos la suma total, e iteramos por el subnivel para hacer lo mismo. Los resultados los vamos recogiendo en un diccionario cuya clave sea el nombre (continente, pais o ciudad según corresponda en cada nivel) y cuyo valor sea la suma de ese nivel.

Ya que son tres niveles (contando el nivel "ciudad") habrá tres bucles anidados. Para mayor claridad a la hora de mostrar la tabla, añadiré espacios por la izquierda en el nombre del pais o ciudad, para que quede indentado como en una jerarquía.

Este sería el código:

result = {}
for k,d in table.groupby(level=0):
  result.update({k: sum(d.valor)})
  for k, d in d.groupby(level=1):
    result.update({f"  {k}": sum(d.valor)})
    for k, d in d.groupby(level=2):
      result.update({f"    {k}": sum(d.valor)})

El diccionario resultante se puede convertir en una tabla pandas:

resultado = pd.DataFrame.from_dict(result, orient="index", columns=["valor"])

Y esta es la tabla resultante:

                   valor
America               26
  Canadá               5
    Toronto            5
  Estados Unidos      21
    Los Angeles        6
    Nueva York         8
    San Francisco      7
Europa                47
  España              19
    Barcelona          6
    Madrid             8
    Valencia           5
  Francia              8
    Paris              8
  Suiza               20
    Lausana            9
    ginebra            6
    zurich             5

Generalización

Los tres bucles anidados valen para este caso en que hay tres niveles en el multi-index. En un caso general se puede hacer una función que cree el diccionario necesario recursivamente:

def aggregate_levels(table, r, level=0, column="valor"):
  if level>=len(table.index.levshape):
    return
  for k, d in table.groupby(level=level):
    r[f"{'  '*level}{k}"] = sum(d[column])
    aggregate_levels(d, r, level+1)

Esto agrega por totales cada nivel, hasta llegar al más bajo. Se usaría así en este caso:

result = {}
aggregate_levels(table, result)

y daría en este caso el mismo resultado antes mostrado (una vez convertido a DataFrame como se mostró antes)

0

Si no te importa el orden de tus datos el siguiente código te sirve. Solamente hice diferentes grupos y cambie la etiqueta a 'lugares'.

valor_por_pais =  df.groupby("pais", as_index = False).sum().rename(columns={'pais':'lugar'})

valor_por_continente =  df.groupby("continente",as_index = False).sum().rename(columns={'continente':'lugar'})

Para los datos por país creé un nuevo dataframe:

valor_por_ciudad =  pd.concat([df['ciudad'], df['valor']], axis=1, keys=['lugar', 'valor'])

Al final hice una concatenación, ignorando los indices de los dataframes originales.

df_lugares = pd.concat([valor_por_continente, valor_por_pais,  valor_por_ciudad ], ignore_index = True)

Ahora, por si te interesa tenerlos organizados por continente, puedes mantener como índice la columna de 'continente' y al final organizarlos:

valor_por_pais =  df.groupby(["continente", "pais"], as_index = False).sum().rename(columns={'pais':'lugar'}).set_index('continente')

valor_por_continente =  df.groupby("continente", as_index = False).sum().rename(columns={'continente':'lugar'})
valor_por_continente.index = valor_por_continente['lugar']

valor_por_ciudad =  pd.concat([df['ciudad'], df['valor'], df['continente']], axis=1, keys=['lugar', 'valor', 'continente']).set_index('continente')

df_lugares = pd.concat([valor_por_continente, valor_por_pais,  valor_por_ciudad ])
df_lugares.sort_index(inplace=False)

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.