【原】查找每个机顶盒的偏好频道

---

  CDA数据分析师 

import numpy as np
import pandas as pd

下列数据描述的是每个机顶盒观看各个电视频道的时长，通过这组原始数据，查找出每个机顶盒偏好的频道并进行排序，原始数据如下：

data

目标数据如下：偏好频道1到偏好频道4的排序依据是观看时长降序排列，也就是当前机顶盒观看偏好频道1的时长最长，观看偏好频道4的时长最短，如何才能在原始数据的基础上得到下列数据呢？

思路：实际上，上述两个图表之间的关系可以看成每个机顶盒设备号是一组，然后组内按照时长进行降序排序，排序后，时长列舍弃不要，把频道名称列转换成行即可，按照这个思路，我们一步一步实现。

第一步：按照机顶盒设备号分组，组内按照时长降序排序，这两步可以用一行代码实现，具体如下：

data.groupby(["机顶盒设备号"]).apply(lambda x :x.sort_values("时长",ascending=False))

</style>

		机顶盒设备号	频道名称	时长
机顶盒设备号
10001	0	10001	东方卫视	1.764052
	1	10001	翡翠台	0.400157
10002	3	10002	江苏卫视	2.240893
	4	10002	珠江电影	1.867558
	2	10002	浙江卫视	0.978738
	5	10002	卡酷动画	0.977278
10003	6	10003	湖南卫视	0.950088
	9	10003	广东卫视	0.410599
	7	10003	中央5台	0.151357
	8	10003	北京卫视	0.103219
10004	11	10004	江西卫视	1.454274
	10	10004	福建卫视	0.144044
10005	12	10005	河北卫视	0.761038
	14	10005	陕西卫视	0.443863
	13	10005	河南卫视	0.121675

</div>

对上述代码进行简单解释，data.groupby(["机顶盒设备号"])表示对名字为data的数据集进行分组，分组的依据是"机顶盒设备号"这一列，默认把分组依据作为分组数据进行聚合后的行索引（可以通过as_index参数进行设置）。

接下来进行组内排序，对所有小组中的数据进行相同的操作可以通过apply方法实现，apply方法接收的参数是一个函数，目前的需求是组内排序，所以我们传入apply方法中的函数需要具有排序功能。

分组后的每一个小组都是一个小的dataframe，所以apply中接收的函数，得是能够为dataframe排序的函数才行。大家最先想到的可能就是dataframe支持的sort_values方法，但是需要注意的是sort_values是dataframe支持的方法，不是通用函数，不能直接作为参数传递给apply。

既然是对每个小的dataframe按照时长进行排序，我们可以借助匿名函数，匿名函数中的参数就是每个分组，即分组后的小dataframe，用这个小dataframe调用sort_values方法就可以了，注意填写上排序的依据--"时长"，还有排序的方向ascending=False，降序排序。

以上，得到的结果好像没有什么问题，的确实现了组内排序，但是，有一个细节问题，就是索引，从下图可以看出，索引不是组内索引，我们还需要修改索引，即每一组的索引都是从0到n-1。如果不修改索引，每一组的索引都不一样的话，没有办法得到目标的结果（有兴趣的小伙伴可以不修改索引试验一下）。

其实修改组内索引这一步在刚才的代码里添加一个参数即可，在对dataframe进行排序的sort_values方法中，有一个参数ignore_index表示是否忽略原索引，忽略原索引即对组内索引进行重置，所以只需要添加这一个参数就可以了，具体代码及效果如下：

dff = data.groupby(["机顶盒设备号"]).apply(lambda x :x.sort_values("时长",ascending=False,ignore_index=True))

dff

第二步：到这一步，已经基本时实现了查找每个机顶盒的偏好频道，但是，这种形式看起来不太直观。

对于我们的目标来说，时长只在排序的时候有作用，所以，在这个表中，有用的只是索引列和频道名称，我们只需要把频道名称从列转换成行即可。这个转换用到的是unstack方法，即把列转换成行。

在转换的时候，不要整个数据集转换，有用的数据提取出来进行转换即可，有用的数据就是索引列和频道名称，提取出来的数据如下：

dff["频道名称"]

机顶盒设备号  
10001   0    东方卫视
        1     翡翠台
10002   0    江苏卫视
        1    珠江电影
        2    浙江卫视
        3    卡酷动画
10003   0    湖南卫视
        1    广东卫视
        2    中央5台
        3    北京卫视
10004   0    江西卫视
        1    福建卫视
10005   0    河北卫视
        1    陕西卫视
        2    河南卫视
Name: 频道名称, dtype: object

其中机顶盒设备号和rangeindex组成的多重索引，数据只有频道名称，运用unstack把频道名称转换成行数据，代码如下：

dff1 = dff["频道名称"].unstack()
dff1

</style>

	0	1	2	3
机顶盒设备号
10001	东方卫视	翡翠台	NaN	NaN
10002	江苏卫视	珠江电影	浙江卫视	卡酷动画
10003	湖南卫视	广东卫视	中央5台	北京卫视
10004	江西卫视	福建卫视	NaN	NaN
10005	河北卫视	陕西卫视	河南卫视	NaN

</div>

第三步：现在只需要按照要求修改列名即可，代码如下：

dff1.columns=["偏好频道1","偏好频道2","偏好频道3","偏好频道4"]
dff1

</style>

	偏好频道1	偏好频道2	偏好频道3	偏好频道4
机顶盒设备号
10001	东方卫视	翡翠台	NaN	NaN
10002	江苏卫视	珠江电影	浙江卫视	卡酷动画
10003	湖南卫视	广东卫视	中央5台	北京卫视
10004	江西卫视	福建卫视	NaN	NaN
10005	河北卫视	陕西卫视	河南卫视	NaN

</div>

这样就能直观的看出，每一个机顶盒的偏好频道了。