Pandas Histogramm (Counts) auf gruppiert (von) Werte

Question

Ich habe ein DataFrame, die wie folgt aussieht:

>>> df 
    type  value 
0  1 0.698791 
1  3 0.228529 
2  3 0.560907 
3  1 0.982690 
4  1 0.997881 
5  1 0.301664 
6  1 0.877495 
7  2 0.561545 
8  1 0.167920 
9  1 0.928918 
10  2 0.212339 
11  2 0.092313 
12  4 0.039266 
13  2 0.998929 
14  4 0.476712 
15  4 0.631202 
16  1 0.918277 
17  3 0.509352 
18  1 0.769203 
19  3 0.994378 

ich auf der type Spalte Gruppe möchten und Histogramm-Bins für die Spalte value in 10 neue erhalten Spalten, z so ähnlich:

 1 3 9 6 8 10 5 4 7 2 
type 
1  0 1 0 0 0 2 1 1 0 1 
2  2 1 1 0 0 1 1 0 0 0 
3  2 0 0 0 0 1 1 0 0 0 
4  1 1 0 0 0 1 0 0 0 1 

Wo Spalte 1 die Zählung für das erste Fach ist (0.0 zu 0.1) und so weiter ...

Mit numpy.histogram, kann ich nur folgendes erhalten:

>>> df.groupby('type')['value'].agg(lambda x: numpy.histogram(x, bins=10, range=(0, 1))) 
    type 
1  ([0, 1, 1, 1, 1, 0, 0, 0, 0, 2], [0.0, 0.1, 0.... 
2  ([2, 0, 1, 0, 1, 0, 0, 0, 1, 1], [0.0, 0.1, 0.... 
3  ([2, 0, 0, 0, 1, 0, 0, 0, 0, 1], [0.0, 0.1, 0.... 
4  ([1, 1, 1, 0, 0, 0, 0, 0, 0, 1], [0.0, 0.1, 0.... 
Name: value, dtype: object 

Das schaffe ich nicht im richtigen Format (zumindest nicht auf einfache Weise).

fand ich einen Trick zu tun, was ich will, aber es ist sehr hässlich:

>>> d = {str(k): lambda x, _k = k: ((x >= (_k - 1)/10) & (x < _k/10)).sum() for k in range(1, 11)} 
>>> df.groupby('type')['value'].agg(d) 
     1 3 9 6 8 10 5 4 7 2 
type 
1  0 1 0 0 0 2 1 1 0 1 
2  2 1 1 0 0 1 1 0 0 0 
3  2 0 0 0 0 1 1 0 0 0 
4  1 1 0 0 0 1 0 0 0 1 

Gibt es eine bessere Art und Weise, was zu tun ich will? Ich weiß, dass in R, kann die aggregate Methode eine DataFrame zurückgeben, aber nicht in Python ...

Answer 1

ist das, was Sie wollen?

In [98]: %paste 
bins = np.linspace(0, 1.0, 11) 
labels = list(range(1,11)) 

(df.assign(q=pd.cut(df.value, bins=bins, labels=labels, right=False)) 
    .pivot_table(index='type', columns='q', aggfunc='size', fill_value=0) 
) 
## -- End pasted text -- 
Out[98]: 
q  1 2 3 4 5 6 7 8 9 10 
type 
1  0 1 0 1 0 0 1 1 1 4 
2  1 0 1 0 0 1 0 0 0 1 
3  0 0 1 0 0 2 0 0 0 1 
4  1 0 0 0 1 0 1 0 0 0