0

tengo un problema para hacer una funcion con pandas. Quiero que la funcion procese los datos de cada fila y genere el investmentsNumber, pero despues necesito agrupar esos datos por pais y asu vez, mostrar el pais cuyo numero es el mas grande de todos. Este es mi intento en python:

import pandas as pd
datos = pd.read_csv("provincias.csv")
paises = pd.read_csv("paises.csv")
indice = {}
for i, fila in paises.iterrows():
    pais = fila.Nombre
    provincias = fila.provincias.split("|")
    for provincia in provincias:
        indice[provincia] = pais
datos = pd.read_csv("provincias.csv")
datos["Pais"] = datos.Numero.apply(lambda x: indice[x])
def investments(fila):
    investmentNumber = [(datos['vacunasAplicadas']) + datos['contagiosActivos'] - datos['muertesTotales'] + datos['vacunasTotales']]
    print(investmentNumber)
datos['investmentsNumber'] = datos.apply(investments, axis=1)
datos_filtrados = datos.groupby('Pais').agg({
    investments(fila) : 'sum'
})
print(datos_filtrados)

Este es el archivo de las provincias(la funcion tendria que entrar a este archivo y recoger los datos de la formula)

Numero,Nombre,contagiosTotales,contagiosDiarios,contagiosActivos,muertesTotales,muertesDiarias,vacunasAplicadas,vacunasSinAplicar,vacunasTotales
ar1,ciudad autonoma de buenos aires,687000,2845,178000,9302,36,1011854,1608,1013462
ar2,santa fe,2,1992,12,12,12,182,12,12
ar3,c,4900,12,12,12,12,12,12,12
ar4,d,9340,92,12,12,12,12,12,12
ch1,e,300,12,192,12,1772,12,12,12
ch2,f,234,12,12,12,12,12,1777,12
ar5,g,234,12,12,12,12,12,12,12
br1,h,300,12,12,1892,12,12,12,12
br2,i,234,12,12,12,12,12,12,129

y por ultimo hay un archivo paises.csv que lo que hace es designar algunas de las provincias que mostre antes a un pais en especifico:

Numero,Nombre,provincias
Pais1,argentina,ar1|ar2|ar3|ar4|ar5
Pais2,chile,ch1|ch2
Pais3,brasil,br1|br2
7
  • utiliza groupby(by='pais')
    – Christian
    Commented el 1 jun. 2021 a las 22:57
  • desde la funcion o antes? Commented el 1 jun. 2021 a las 22:59
  • o despues de la funcion? Commented el 1 jun. 2021 a las 22:59
  • a ver, espérate pruebo el código (lo siento me había ido)
    – Christian
    Commented el 2 jun. 2021 a las 0:13
  • investmentsNumber es una fila o una columna?¿que contendrá?
    – Christian
    Commented el 2 jun. 2021 a las 0:36

1 respuesta 1

1

Bueno paro lograr lo que quieres vamos a dividir el problema. Primero necesitamos sumar algunas columnas de todas las filas para crear una nueva columna con tal valor, luego necesitamos calcular el total para cada país y finalmente mostramos en pantalla.

Primero vamos con leer los archivos y convertirlos a DataFrame

import pandas as pd

paises = pd.read_csv("paises.csv")#paises
provincias = pd.read_csv("provincias.csv")#provincias

paises = pd.DataFrame(paises)
provincias = pd.DataFrame(provincias)

Luego hacemos el calculo de la nueva columna

provincias['investmentsNumber'] = provincias['vacunasAplicadas']+provincias['contagiosActivos']-provincias['muertesTotales']+provincias['vacunasTotales']
#esto se podia reducir utilizando la funcion sum y iloc, pero lo dejo asi para que se entienda

Vamos a crear un diccionario que contenga como clave las provincias y como valor el país al que pertenece esto para luego poder etiquetar a cada provincia con su pais y hacer la agrupación correspondiente

#creamos un diccionario
data_provincias = {}

#iteramos por el archivo de paises
for i, fila in paises.iterrows():
  pais = fila["Nombre"] #obtenemos el nombre
  # como las provincias estan separadas por | aplicamos el metodo split
  provincia = fila["provincias"].split("|")
  for prov in provincia: #recorremos la lista obtenida por split
    data_provincias[prov] = pais #agregamos al diccionario

#generammos una nueva columna 
provincias["Pais"] = provincias["Numero"].apply(lambda x: data_provincias[x])
#esta columna contendra el nombre del pais al que corresponde la provincia

print(provincias)

Resultado

  Numero                           Nombre  contagiosTotales  contagiosDiarios  ...  vacunasSinAplicar  vacunasTotales  investmentsNumber       Pais
0    ar1  ciudad autonoma de buenos aires            687000              2845  ...               1608         1013462            2194014  argentina
1    ar2                         santa fe                 2              1992  ...                 12              12                194  argentina
2    ar3                                c              4900                12  ...                 12              12                 24  argentina
3    ar4                                d              9340                92  ...                 12              12                 24  argentina
4    ch1                                e               300                12  ...                 12              12                204      chile
5    ch2                                f               234                12  ...               1777              12                 24      chile
6    ar5                                g               234                12  ...                 12              12                 24  argentina
7    br1                                h               300                12  ...                 12              12              -1856     brasil
8    br2                                i               234                12  ...                 12             129                141     brasil

por ultimo tenemos que agrupar esto por paises, así que utilizamos el método groupby() y le indicamos que nos agrupe por la columa Pais. pero además hay que indicarle que sume cada fila (que tenga como valor el mismo pais)

#agrupamos por pais y sumamos
pais_gorup = provincias.groupby(by="Pais").sum().groupby(level=[0]).cumsum()
print(pais_gorup)

Al momento de sumar también le decimos que tome como referencia el primer nivel, esto debido a que va a ver multi_index y pues nos dara un error. Teniendo como resultado:

           contagiosTotales  contagiosDiarios  contagiosActivos  muertesTotales  ...  vacunasAplicadas  vacunasSinAplicar  vacunasTotales  investmentsNumber
Pais                                                                             ...

argentina            701476              4953            178048            9350  ...           1012072               1656         1013510            2194280
brasil                  534                24                24            1904  ...                24                 24             141              -1715
chile                   534                24               204              24  ...                24               1789              24                228

Esto lo puedes convertir a DataFrame y hace lo que quieras.

6
  • cuando le decis que leea pd.read_csv("provincias.csv") no es que ya directamente se convierte en dataframe? No entiendo porque despues le decis pd.DataFrame(provincias) Commented el 3 jun. 2021 a las 23:56
  • Igual el programa funciona perfecto!!, gracias Commented el 3 jun. 2021 a las 23:56
  • lo hago simplemente para trabajar en un estándar, si otra persona tiene un problema similar y su archivo es un Excel no tendrá problemas, ya que que desde esa parte se trabajara igual :)
    – Christian
    Commented el 3 jun. 2021 a las 23:58
  • ok, perfecto. Como puedo hacer para que del pais cuyo valor sea mas alto muestre el nombre del pais? Commented el 4 jun. 2021 a las 0:05
  • aplicas el metodo .max()
    – Christian
    Commented el 4 jun. 2021 a las 0:48

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.