將種族4替換為3，并按種族+性別分組數據 df.loc[df['Race']==4, 'Race']=3df = df.groupby(['Race','Sex'],as_index=False)['population'].sum() You get Year State Race Sex population 2006 CA 1 1 5048932006 CA 1 2 7837602006 CA 2 1 8000622006 CA 2 2 7683002006 CA 3 1 9131712006 CA 3 2 701451

如果您只想在resultset中有一行，那么刪除group by子句。然后，如果要將三個cat mgr一起計數，可以使用in： select sum(case when cat_mgr = 'a' then 1 else 0 end ) as design_a, sum(case when cat_mgr = 'b' then 1 else 0 end ) as design_b, sum(case when cat_mgr = 'c' then 1 else 0 end ) as design_c, sum(case when cat_mgr in ('a', 'b', 'c') then 1 else 0 end ) as design from Table_a

這里有一個方法可以得到你問題的第二張表： import org.apache.spark.sql.functions._val mergedImages = inputRecords.groupBy( $"KEY_1", $"KEY_2", $"KEY_3").agg( min($"EPOCH").as("EPOCH"), (inputRecords.columns.filterNot( Seq("EPOCH","IMAGES","KEY_1","KEY_2","KEY_3").contains(_) ).map( x => first(col(x)).as(x) ) :+ collect_list($"IMAGES"(0)).as("IMAGES")): _*) 聚合可以用普通代碼編寫為： .agg( min($"EPOCH").as("EPOCH"), first($"DATA_1").as("DATA_1"), first($"DATA_2").as("DATA_2"), ... first($"DATA_N").as("DATA_N"), collect_list($"IMAGES"(0)).as("IMAGES"))

我不會復制您的問題（使用pandas版本1.3.5和1.4.1進行測試）。 我得到了預期的多重索引： Teacher teacher1 Student student_1 student_2 student_3Course Subject course_1 subject_1 18.0 18.0 16.0 subject_2 19.0 NaN 20.0 subject_3 18.0 17.0 13.0 As image: used input: df = pd.DataFrame({'Course': ['course_1', 'course_1', 'course_1', 'course_1', 'course_1', 'course_1', 'course_1', 'course_1'], 'Subject': ['subject_1', 'subject_1', 'subject_1', 'subject_2', 'subject_2', 'subject_3', 'subject_3', 'subject_3'], 'Score': [18, 16, 18, 19, 20, 17, 18, 13], 'Teacher': ['teacher1', 'teacher1', 'teacher1', 'teacher1', 'teacher1', 'teacher1', 'tea

我在你的“預期結果”中留下了一堆關于細節的評論，考慮到你的需求，這些評論毫無意義。如果我按照您所述的要求行事，那么這里有一個解決方案： 首先，將表規范化為具有日期，以便我們可以使用group by SELECT EmployeeID, COALESCE([Date], LAG([Date] OVER (ORDER BY [Order] ASC), -- Get the prior one if null MIN([Date] OVER (PARTITION BY EmployeeID ORDER BY [Date] ASC)) AS [Date], -- Get the smallest one if the last two are null Comment, [Order]FROM sometableyoudidnotname 現在我們有了這個表，我們可以使用group by和string_agg SELECT EmployeeID, MIN(cDate) as [DATE], STRING_AGG(Comment, ' ') WITHIN GROUP (ORDER BY [ORDER] ASC) AS CommentFROM ( SELECT EmployeeID, COALESCE([Date], LAG([Date] OVER (ORDER BY [Order] ASC)

以下代碼將給出男性和女性的平均值： maleScore = 0 femaleScore = 0 noOfMales = 0 noOfFemales = 0 for student in students: if student[0] == "male": maleScore += float(student[5]) maleScore += float(student[6]) maleScore += float(student[7]) noOfMales += 1 else: femaleScore += float(student[5]) femaleScore += float(student[6]) femaleScore += float(student[7]) noOfFemales += 1 maleAverageScore = maleScore/(noOfMales*3) femaleAverrageScore = femaleScore /(noOfFemales*3)

您可以篩選出Nones，排序和加入列表理解應該非常快： df['merged'] = [', '.join(sorted(filter(None, x))) for x in df.to_numpy()] 替代lambda函數的速度較慢： df['merged'] = df.apply(lambda x: ', '.join(sorted(filter(None, x))), axis=1)print (df) x1 x2 x3 x4 merged0 US DE None None DE, US1 FR DE US None DE, FR, US2 FR None None None FR3 DE CA None None CA, DE 如果使用純pandas方法和大DataFrame這應該是最慢的： s = df.stack().sort_values().groupby(level=0).agg(', '.join)print (s)0 DE, US1 DE, FR, US2 FR3 CA, DEdtype: object

您可以使用tidyr::unite()在沒有for循環的情況下執行此操作： library(tidyr)res %>% unite(col = 'name_for_new_col', sep = ' ') 這將把res中的所有列粘貼在一起，并在每個元素之間放置一個空格。如果要指定要在其上執行此操作的特定列，可以改為說： res %>% unite(col = 'name_for_new_col', x1:x3, sep = ' ') 如果您也想保留舊列，可以在unite()中指定remove = FALSE。 或者，您可以在base R中使用apply和paste： res2 <- as.data.frame(apply(res, 1, paste, collapse = ' '))names(res2)[1] <- 'nicer.name' #rename the single column 或者只有paste和for loop： df = data.frame(matrix(nrow = nrow(res), ncol = 1))for (i in 1:nrow(res)) {df[i,1] <- (paste(res[i,], collapse = ' '))}

因為您提到了一個合并列，所以不確定您要問的問題是什么。通常，要選擇close列，您需要df['close']。刪除unix列df.drop('unix',axis=1)。 更新：實際問題是csv文件頭位于第二行，第一行有一些垃圾。讀取此csv文件時，需要明確指定頭的位置，如pd.read_csv('Binance_AAVEUSDT_d.csv',header=1)。 之后，列名稱正確，所有工作正常

在sql server中使用group by時，可以使用string_agg聚合字符串列。 Try this: with u as(SELECT distinct LCM.eFolderID, LCM.ContractNumber ,(bU.FirstName + ' ' + bU.Surname) as WeryfikacjaUmowa --,COUNT(LCM.ContractNumber) FROM Metastorm.dbo.LeasingContractsMap LCM with(nolock) left join Metastorm.dbo.eEvent eE with(nolock) on eE.eFolderID = LCM.EFOLDERID and eE.eActionName = 'AssignToContractVerificationAct' left join Metastorm.dbo.bpm_Users bU with(nolock) on bU.eUserName = eE.eUserName where LCM.ContractNumber not like '%purged%' and LCM.ContractNumber = '37/1276/20')select eFolderID, ContractNumber, string_agg(W

dask合并遵循pandas語法，所以它只是將對pandas的調用替換為對dask.dataframe的調用： import dask.dataframe as dddef merge_dfs(df1, df2, columns): merged = dd.merge(df1, df2, on=columns, how='inner')# ... 結果數據幀merged將是dask.dataframe，因此可能需要下游計算。如果您正在將數據持久化到一個文件中（例如使用.to_csv或.to_parquet），則會自動執行此操作；如果數據適合內存并且某些計算需要，則需要使用.compute調用此操作。

您可以使用 df[list_cols] = df[list_cols].fillna(0) 其中list_cols是例如。 list_cols = ["Coffee", "Cold Water", "Hot Water", "Kitchen", "Something"] 請參閱：Pandas在null時用0填充多個列

我嘗試了一種稍微不同的方法：閱讀標題和內容，然后將它們粘在一起。對我來說，多索引沒有問題 headers = pd.read_csv(StringIO("""Val1,,Val2,,,Val3,Val4,Row1,Row2,Row3,Row4,Row5,Row6,Row7,Row81,2,3,4,5,6,7,8"""),header=None,nrows=2)df=pd.read_csv(StringIO("""Val1,,Val2,,,Val3,Val4,Row1,Row2,Row3,Row4,Row5,Row6,Row7,Row81,2,3,4,5,6,7,8"""),header=None,skiprows=2)newCols = pd.MultiIndex.from_frame(headers.T.ffill())df.columns = newCols>>> df0 Val1 Val2 Val3 Val41 Row1 Row2 Row3 Row4 Row5 Row6 Row7 Row82 1 2 3 4 5 6 7 8>>> df['Val1']1 Row1 Row22 1 2>>>

結論：合并后，建議重新設置索引，否則有時重新索引會在輸出中創建額外的列。 步驟1：數據集 df1=pd.DataFrame([[1,2,3],[4,5,6]],columns=['A','B','C']) df2=pd.DataFrame([[7,7,7],[1,2,8]],columns=['A','B','D']) df_merge=df1.merge(df2,on=['A','B']) 第二步，reset_index然后通過reindex對數據幀重新排序。 my_col_order=['D','B','C']df_merge.reset_index(inplace=True) # after merge , its recommended that reset the index otherwise sometime #reindex creates extra columns in output.df_5=df_merge.reindex(my_col_order,axis='columns')

Use DataFrame.unstack: df = df.unstack().to_frame('E').reset_index(drop=True) print (df) E0 10516894 00001 10334414 00072 053 074 025 10523438 00006 12082512 00007 008 009 0810 10531813 000311 12058004 000412 0313 0414 05 或DataFrame.melt，通過value_name設置新列名： df = df.melt(value_name='E')[['E']]print (df) E0 10516894 00001 10334414 00072 053 074 025 10523438 00006 12082512 00007 008 009 0810 10531813 000311 12058004 000412 0313 0414 05