archive.git - Gitblit

Ë  
nñúh/ãóÆdZddlmZddlmZmZddlZddlZddl    m
Z
mZddlm Z ddlmZddlmZdd    lmZdd
lmZddlmZmZddlmZdd lmZddlmZmZddl m!cm"Z#ddl$m%Z%ddl&m'Z'ddl(m)Z)ddl*m+Z+m,Z,m-Z-ddl.m/Z/ddl0m1Z1erddl2m3Z3m4Z4ddl5m6Z6m7Z7m8Z8m9Z9ddl:m;Z;Gdd«Z<eGdd««Z=                            d                                                    d dZ>d!dZ?d"dZ@y)#z]
Provide user facing operators for doing the split part of the
split-apply-combine paradigm.
é)Úannotations)Ú TYPE_CHECKINGÚfinalN)Úusing_copy_on_writeÚwarn_copy_on_write)Úlib)ÚOutOfBoundsDatetime)ÚInvalidIndexError)Úcache_readonly)Úfind_stack_level)Úis_list_likeÚ    is_scalar)ÚCategoricalDtype)Ú
algorithms)ÚCategoricalÚExtensionArray)Ú    DataFrame)Úops)Úrecode_for_groupby)ÚCategoricalIndexÚIndexÚ
MultiIndex)ÚSeries)Úpprint_thing)ÚHashableÚIterator)Ú    ArrayLikeÚAxisÚNDFrameTÚnpt)ÚNDFramecó^eZdZUdZded<ded<ded<ded<dZd    ed
<fdZdddejd df                            ddZ        d                    ddZ
    ddd                            ddZee dd««Zee d««Zee d««Zee d««Zee d««Zedd«ZxZS) ÚGrouperaÖ
    A Grouper allows the user to specify a groupby instruction for an object.
 
    This specification will select a column via the key parameter, or if the
    level and/or axis parameters are given, a level of the index of the target
    object.
 
    If `axis` and/or `level` are passed as keywords to both `Grouper` and
    `groupby`, the values passed to `Grouper` take precedence.
 
    Parameters
    ----------
    key : str, defaults to None
        Groupby key, which selects the grouping column of the target.
    level : name/number, defaults to None
        The level for the target index.
    freq : str / frequency object, defaults to None
        This will groupby the specified frequency if the target selection
        (via key or level) is a datetime-like object. For full specification
        of available frequencies, please see `here
        <https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html#offset-aliases>`_.
    axis : str, int, defaults to 0
        Number/name of the axis.
    sort : bool, default to False
        Whether to sort the resulting labels.
    closed : {'left' or 'right'}
        Closed end of interval. Only when `freq` parameter is passed.
    label : {'left' or 'right'}
        Interval boundary to use for labeling.
        Only when `freq` parameter is passed.
    convention : {'start', 'end', 'e', 's'}
        If grouper is PeriodIndex and `freq` parameter is passed.
 
    origin : Timestamp or str, default 'start_day'
        The timestamp on which to adjust the grouping. The timezone of origin must
        match the timezone of the index.
        If string, must be one of the following:
 
        - 'epoch': `origin` is 1970-01-01
        - 'start': `origin` is the first value of the timeseries
        - 'start_day': `origin` is the first day at midnight of the timeseries
 
        - 'end': `origin` is the last value of the timeseries
        - 'end_day': `origin` is the ceiling midnight of the last day
 
        .. versionadded:: 1.3.0
 
    offset : Timedelta or str, default is None
        An offset timedelta added to the origin.
 
    dropna : bool, default True
        If True, and if group keys contain NA values, NA values together with
        row/column will be dropped. If False, NA values will also be treated as
        the key in groups.
 
    Returns
    -------
    Grouper or pandas.api.typing.TimeGrouper
        A TimeGrouper is returned if ``freq`` is not ``None``. Otherwise, a Grouper
        is returned.
 
    Examples
    --------
    ``df.groupby(pd.Grouper(key="Animal"))`` is equivalent to ``df.groupby('Animal')``
 
    >>> df = pd.DataFrame(
    ...     {
    ...         "Animal": ["Falcon", "Parrot", "Falcon", "Falcon", "Parrot"],
    ...         "Speed": [100, 5, 200, 300, 15],
    ...     }
    ... )
    >>> df
       Animal  Speed
    0  Falcon    100
    1  Parrot      5
    2  Falcon    200
    3  Falcon    300
    4  Parrot     15
    >>> df.groupby(pd.Grouper(key="Animal")).mean()
            Speed
    Animal
    Falcon  200.0
    Parrot   10.0
 
    Specify a resample operation on the column 'Publish date'
 
    >>> df = pd.DataFrame(
    ...    {
    ...        "Publish date": [
    ...             pd.Timestamp("2000-01-02"),
    ...             pd.Timestamp("2000-01-02"),
    ...             pd.Timestamp("2000-01-09"),
    ...             pd.Timestamp("2000-01-16")
    ...         ],
    ...         "ID": [0, 1, 2, 3],
    ...         "Price": [10, 20, 30, 40]
    ...     }
    ... )
    >>> df
      Publish date  ID  Price
    0   2000-01-02   0     10
    1   2000-01-02   1     20
    2   2000-01-09   2     30
    3   2000-01-16   3     40
    >>> df.groupby(pd.Grouper(key="Publish date", freq="1W")).mean()
                   ID  Price
    Publish date
    2000-01-02    0.5   15.0
    2000-01-09    2.0   30.0
    2000-01-16    3.0   40.0
 
    If you want to adjust the start of the bins based on a fixed timestamp:
 
    >>> start, end = '2000-10-01 23:30:00', '2000-10-02 00:30:00'
    >>> rng = pd.date_range(start, end, freq='7min')
    >>> ts = pd.Series(np.arange(len(rng)) * 3, index=rng)
    >>> ts
    2000-10-01 23:30:00     0
    2000-10-01 23:37:00     3
    2000-10-01 23:44:00     6
    2000-10-01 23:51:00     9
    2000-10-01 23:58:00    12
    2000-10-02 00:05:00    15
    2000-10-02 00:12:00    18
    2000-10-02 00:19:00    21
    2000-10-02 00:26:00    24
    Freq: 7min, dtype: int64
 
    >>> ts.groupby(pd.Grouper(freq='17min')).sum()
    2000-10-01 23:14:00     0
    2000-10-01 23:31:00     9
    2000-10-01 23:48:00    21
    2000-10-02 00:05:00    54
    2000-10-02 00:22:00    24
    Freq: 17min, dtype: int64
 
    >>> ts.groupby(pd.Grouper(freq='17min', origin='epoch')).sum()
    2000-10-01 23:18:00     0
    2000-10-01 23:35:00    18
    2000-10-01 23:52:00    27
    2000-10-02 00:09:00    39
    2000-10-02 00:26:00    24
    Freq: 17min, dtype: int64
 
    >>> ts.groupby(pd.Grouper(freq='17min', origin='2000-01-01')).sum()
    2000-10-01 23:24:00     3
    2000-10-01 23:41:00    15
    2000-10-01 23:58:00    45
    2000-10-02 00:15:00    45
    Freq: 17min, dtype: int64
 
    If you want to adjust the start of the bins with an `offset` Timedelta, the two
    following lines are equivalent:
 
    >>> ts.groupby(pd.Grouper(freq='17min', origin='start')).sum()
    2000-10-01 23:30:00     9
    2000-10-01 23:47:00    21
    2000-10-02 00:04:00    54
    2000-10-02 00:21:00    24
    Freq: 17min, dtype: int64
 
    >>> ts.groupby(pd.Grouper(freq='17min', offset='23h30min')).sum()
    2000-10-01 23:30:00     9
    2000-10-01 23:47:00    21
    2000-10-02 00:04:00    54
    2000-10-02 00:21:00    24
    Freq: 17min, dtype: int64
 
    To replace the use of the deprecated `base` argument, you can now use `offset`,
    in this example it is equivalent to have `base=2`:
 
    >>> ts.groupby(pd.Grouper(freq='17min', offset='2min')).sum()
    2000-10-01 23:16:00     0
    2000-10-01 23:33:00     9
    2000-10-01 23:50:00    36
    2000-10-02 00:07:00    39
    2000-10-02 00:24:00    24
    Freq: 17min, dtype: int64
    ÚboolÚsortÚdropnaúIndex | NoneÚ
_gpr_indexÚ_grouper)ÚkeyÚlevelÚfreqÚaxisr%r&ztuple[str, ...]Ú_attributescóT|jd«ddlm}|}t||«S)Nr,r)ÚTimeGrouper)ÚgetÚpandas.core.resampler0ÚsuperÚ__new__)ÚclsÚargsÚkwargsr0Ú    __class__s    úNH:\Change_password\venv_build\Lib\site-packages\pandas/core/groupby/grouper.pyr4zGrouper.__new__þs)øØ::fÓÐ)Ý8àCÜwsÓ#Ð#óNFTcóvt|«tur9|tjur%t    j
dtt«¬«nd}|tjurd}||_||_    ||_
||_||_||_ d|_d|_d|_d|_d|_d|_d|_y)Nz~Grouper axis keyword is deprecated and will be removed in a future version. To group on axis=1, use obj.T.groupby(...) instead©Ú
stacklevelr)Útyper#rÚ
no_defaultÚwarningsÚwarnÚ FutureWarningrr*r+r,r-r%r&Ú_grouper_deprecatedÚ_indexer_deprecatedÚ_obj_deprecatedr(Úbinnerr)Ú_indexer)Úselfr*r+r,r-r%r&s       r9Ú__init__zGrouper.__init__s®ô:Ñ à3>>Ñ)Ü  ðô"Ü/Ó1öðØ3>>Ñ!ØDàØ
Ø    Ø    Ø    Øà#'Ô Ø@DÔ Ø#ÔØØØ Ø59 r:c    óÔ|j|«\}}}t||jg|j|j|j
||j¬«\}}}||_||fS)zô
        Parameters
        ----------
        obj : Series or DataFrame
        validate : bool, default True
            if True, validate the grouper
 
        Returns
        -------
        a tuple of grouper, obj (possibly sorted)
        )r-r+r%Úvalidater&)Ú_set_grouperÚget_grouperr*r-r+r%r&rC)rHÚobjrKÚ_Úgroupers     r9Ú_get_grouperzGrouper._get_grouper,sið×%Ñ% cÓ*    QÜ%ØØ XXJØØ**ØØØ;;ô
Cð$+Ô à|Ðr:)Ú    gpr_indexcóÂ|J|j|jtd«|j||_|j|_|jë|j}t |dd«|k(r¡t|t«r|jJ|j
Q|j
j«}|jj|«}|j|j«}nñ|jj|j«}nË||jvrtd|d«t|||¬«}n|j|j «}|jv|j}t|t"«r;|j%|«}t|j'|«|j(|¬«}n|d|j*fvrtd|d    «d}    |j,s|r^|j.sR|j0jd
d¬«x}    |_|j|    «}|j|    |j ¬ «}||_||_|||    fS)a·
        given an object and the specifications, setup the internal grouper
        for this particular specification
 
        Parameters
        ----------
        obj : Series or DataFrame
        sort : bool, default False
            whether the resulting grouper should be sorted
        gpr_index : Index or None, default None
 
        Returns
        -------
        NDFrame
        Index
        np.ndarray[np.intp] | None
        Nz2The Grouper cannot specify both a key and a level!ÚnamezThe grouper name z  is not found©rTrz
The level z  is not validÚ    mergesortÚfirst)ÚkindÚna_position©r-)r*r+Ú
ValueErrorr)rDrGÚgetattrÚ
isinstancerÚargsortÚtakeÚindexÚ
_info_axisÚKeyErrorrÚ    _get_axisr-rÚ_get_level_numberÚ_get_level_valuesÚnamesrTr%Úis_monotonic_increasingÚarrayrEr()
rHrNr%rRr*Úreverse_indexerÚunsorted_axÚaxr+Úindexers
          r9rLzGrouper._set_grouperKs*ð(Ðà88Ð D§J¡JÐ$:ÜÐQÓRÐRð==Ð à%DMØ ×4Ñ4DMð88ÐØ((Cäy &¨$Ó/°3Ò6¼:ÀcÌ6Ô;Rð
}}Ð0Ð0Ð0Ø==Ð,Ø&*§m¡m×&;Ñ&;Ó&=OØ"&§-¡-×"4Ñ"4°_Ó"EKØ$×)Ñ)¨#¯)©)Ó4Bà×+Ñ+¨C¯I©IÓ6BàcnnÑ,Ü"Ð%6°s°e¸=Ð#IÓJÐJÜ3s8¨#Ô.ðtyyÓ)BØzzÐ%Ø

ôb¤*Ô-Ø×0Ñ0°Ó7EÜr×3Ñ3°EÓ:ÀÇÁÈ%ÁÔQBð Q¨¯© LÑ0Ü(¨:°e°W¸MÐ)JÓKÐKð04ØII r×'AÒ'Að24·±×1AÑ1AØ ¨gð2Bó2ð GdÔ.ðÓ!BØ((7¨¯©(Ó3Cð #ÔØØBÐÐr:có¬tjt|«jdtt«¬«|j}|td«|S)NzS.ax is deprecated and will be removed in a future version. Use Resampler.ax insteadr<z1_set_grouper must be called before ax is accessed)r@rAr>Ú__name__rBrr(r[)rHr`s  r9rkz
Grouper.axsTô      ÜDz×"Ñ"Ð#ð$7ð 7äÜ'Ó)õ        
ðØ=ÜÐPÓQÐQØr:cótjt|«jdtt«¬«|jS)Nz^.indexer is deprecated and will be removed in a future version. Use Resampler.indexer instead.r<)r@rAr>rnrBrrD©rHs r9rlzGrouper.indexersCô      ÜDz×"Ñ"Ð#ð$Bð BäÜ'Ó)õ        
ð×'Ñ'Ð'r:cótjt|«jdtt«¬«|jS)NzX.obj is deprecated and will be removed in a future version. Use GroupBy.indexer instead.r<)r@rAr>rnrBrrErps r9rNzGrouper.obj¸sCô
      ÜDz×"Ñ"Ð#ð$@ð @äÜ'Ó)õ        
ð×#Ñ#Ð#r:cótjt|«jdtt«¬«|jS)Nz\.grouper is deprecated and will be removed in a future version. Use GroupBy.grouper instead.r<)r@rAr>rnrBrrCrps r9rPzGrouper.grouperÅsCô      ÜDz×"Ñ"Ð#ð$@ð @äÜ'Ó)õ        
ð×'Ñ'Ð'r:có¢tjt|«jdtt«¬«|jjS)NzZ.groups is deprecated and will be removed in a future version. Use GroupBy.groups instead.r<)r@rAr>rnrBrrCÚgroupsrps r9rtzGrouper.groupsÐsGô      ÜDz×"Ñ"Ð#ð$?ð ?äÜ'Ó)õ        
ð×'Ñ'×.Ñ.Ð.r:cófdjD«}dj|«}t«j}|d|dS)Nc    3ójK|]*}t|«|dtt|««,yw)Nú=)r\Úrepr)Ú.0Ú    attr_namerHs  r9ú    <genexpr>z#Grouper.__repr__.<locals>.<genexpr>Þs>øèøò
àÜtYÓ'Ð3ðk4¤¨¨iÓ 8Ó9Ð:Ô;ñ
ùs03z, ú(ú))r.Újoinr>rn)rHÚ
attrs_listÚattrsÚcls_names`   r9Ú__repr__zGrouper.__repr__ÜsJøó
à!×-Ñ-ô

ð
        *Ó%Ü:×&Ñ&Ø1UG 1Ð%Ð%r:)r-zAxis | lib.NoDefaultr%r$r&r$ÚreturnÚNone)T)rNrrKr$rz tuple[ops.BaseGrouper, NDFrameT])F)rNrr%r$rRr'rz3tuple[NDFrameT, Index, npt.NDArray[np.intp] | None]©rr©rÚstr)rnÚ
__module__Ú__qualname__Ú__doc__Ú__annotations__r.r4rr?rIrQrLrÚpropertyrkrlrNrPrtrÚ __classcell__)r8s@r9r#r#BssøñrðhJØLØÓØÓà#UKÓUô$ð ØØ Ø%(§^¡^ØØð%:ð
#ð%:ðð %:ðð%:ð
ó%:ðP/3ðØðØ'+ðà    )óð@+0ðR ØNRñR ØðR Ø#'ðR Ø?KðR à    <óR ðhØ ò
óóð
ðØ ñ(óóð(ðØ ñ    $óóð    $ðØ ñ(óóð(ðØ ñ/óóð/ðò&óô&r:r#cóeZdZUdZdZded<ded<ded<d    ed
<                                d                                                            ddZddZdd Ze    d d«Z
e    d!d«Ze    d"d«Ze d#d«Ze    d$d«Ze d%d«Ze    d&d«Ze d&d«Ze    d'd«Ze d'd«Ze    d'd«Ze d'd«Ze    d(d«Ze    d)d«Zy)*ÚGroupingah
    Holds the grouping information for a single key
 
    Parameters
    ----------
    index : Index
    grouper :
    obj : DataFrame or Series
    name : Label
    level :
    observed : bool, default False
        If we are a Categorical, use the observed values
    in_axis : if the Grouping is a column in self.obj and hence among
        Groupby.exclusions list
    dropna : bool, default True
        Whether to drop NA groups.
    uniques : Array-like, optional
        When specified, will be used for unique values. Enables including empty groups
        in the result for a BinGrouper. Must not contain duplicates.
 
    Attributes
    -------
    indices : dict
        Mapping of {group -> index_list}
    codes : ndarray
        Group codes
    group_index : Index or None
        unique groups
    groups : dict
        Mapping of {group -> label_list}
    Nz$npt.NDArray[np.signedinteger] | NoneÚ_codeszCategorical | NoneÚ_all_grouperr'Ú
_orig_catsrÚ_indexc
ó||_||_t||«}
d|_d|_||_||_||_||_||_    ||_
|    |_|j}|?t|t«r|j|«}n|}|
|}
n^|
} |j!| «}
nIt|
t"«r|jJ|
j%|jd¬«\}}||_t|t&j(«r|}
nç|j*dj,}t/||j0j2¬«}
n¬t|
t4t.t6t8j:f«st=|
dd«dk7r#t?tA|
««}tCd|d«|j!|
«}
tE|
d    «rtG|
«tG|«k(stI|
«}d
|}tK|«t|
t8j:«r9|
jLjNdvrbt5|
«jQ«}
|
|_ytt=|
dd«tR«r&|
jT|_tW|
||«\}
|_|
|_y) NF©rKrrUÚndiméú Grouper for 'ú' not 1-dimensionalÚ__len__z9Grouper result violates len(labels) == len(data)
result: ÚmMÚdtype),r+Ú _orig_grouperÚ_convert_grouperrrrÚ_sortrNÚ    _observedÚin_axisÚ_dropnaÚ_uniquesÚ_ilevelr]rÚget_level_valuesÚmapr#rQrÚ
BinGrouperÚ    groupingsÚgrouping_vectorrÚresult_indexrTrrÚnpÚndarrayr\rr>r[ÚhasattrÚlenrÚAssertionErrorrrXÚto_numpyrÚ
categoriesr)rHr`rPrNr+r%Úobservedr¡r&Úuniquesr©ÚilevelÚindex_levelÚmapperÚ
newgrouperÚnewobjÚngÚtÚgrperÚerrmsgs                    r9rIzGrouping.__init__sfð
Ø$ÔÜ*¨5°'Ó:Ø ÔØØØ
ØØ!ØØØ ð
ØÐô%¤Ô,Ø#×4Ñ4°VÓ<à#àÐ&Ø"-à(Ø"-§/¡/°&Ó"9ô¬Ô 1ð
88Ð'Ð'Ð'Ø!0×!=Ñ!=¸d¿h¹hÐQVÐ!=Ó!WÑJØDHä*¤c§n¡nÔ5ð#-ð ×)Ñ)¨!Ñ,×<Ñ<ä"'¨°×1HÑ1H×1MÑ1MÔ"NäØf¤e¬^¼R¿Z¹ZÐHô
ô¨°Ó2°aÒ7Ü_Ó-Ó.Ü  =°°Ð3FÐ!GÓHÐHà#ii¨Ó8Oô¨Ô3ÜÓ(¬C°«JÒ6ä$ _Ó5ð*Ø*/¨ð2ðô% VÓ,Ð,äo¤r§z¡zÔ2Ø×$Ñ$×)Ñ)¨TÑ1ô
#)¨Ó"9×"BÑ"BÓ"Dð /Õô °¸$Ó?ÔAQÔ Rà-×8Ñ8DOÜ1CØ  xó2Ñ.OTÔ.ð /Õr:có"d|jdS)Nz    Grouping(r}rUrps r9rzGrouping.__repr__xsØ499+ QÐ'Ð'r:có,t|j«S©N)ÚiterÚindicesrps r9Ú__iter__zGrouping.__iter__{sÜDLLÓ!Ð!r:cóPt|jdd«}t|t«S)Nr)r\r©r]r)rHrs  r9Ú_passed_categoricalzGrouping._passed_categorical~s$ä×,Ñ,¨g°tÓ<Ü%Ô!1Ó2Ð2r:có¦|j}||jj|St|jt
tf«r|jjSt|jtj«r |jjjSt|jt
«r|jjSyr¿)r¤rrfr]rrrrTr©rÚBaseGrouperrª)rHr´s  r9rTz Grouping.namesàØÐØ;;×$Ñ$ VÑ,Ð,äd×(Ñ(¬5´&¨/Ô:Ø×%Ñ%×*Ñ*Ð*ä ×,Ñ,¬c¯o©oÔ >Ø×'Ñ'×4Ñ4×9Ñ9Ð9ä ×,Ñ,¬eÔ 4Ø×'Ñ'×,Ñ,Ð,ðr:cóÌ|j}|yt|t«sD|j}||jvrtd|d«|jj |«S|S)zS
        If necessary, converted index level name to index level position.
        NzLevel z  not in index)r+r]Úintrrfr¯r`)rHr+r`s   r9r¤zGrouping._ilevelsbð


Ø=ØÜ%¤Ô%ØKKEØEKKÑ'Ü$ v¨e¨W°MÐ%BÓCÐCØ;;×$Ñ$ UÓ+Ð+Ør:có,t|j«Sr¿)r®Ú_group_indexrps r9ÚngroupszGrouping.ngroups¤sä4×$Ñ$Ó%Ð%r:cóÀt|jtj«r|jjSt|j«}|j «Sr¿)r]r©rrÆrÁrÚ_reverse_indexer)rHÚvaluess  r9rÁzGrouping.indices¨sIôd×*Ñ*¬C¯O©OÔ<Ø×'Ñ'×/Ñ/Ð/äT×1Ñ1Ó2Ø×&Ñ&Ó(Ð(r:có |jdS)Nr)Ú_codes_and_uniquesrps r9ÚcodeszGrouping.codes±sà×&Ñ& qÑ)Ð)r:có¨|j|jjS|jr|jjS|j
dS)úv
        Analogous to result_index, but holding an ArrayLike to ensure
        we can retain ExtensionDtypes.
        r)rÚ _result_indexÚ_valuesrÄrÊrÐrps r9Ú_group_arraylikezGrouping._group_arraylikeµsNð×ÑÐ(à×%Ñ%×-Ñ-Ð-à × %Ò %Ø×$Ñ$×,Ñ,Ð,à×&Ñ& qÑ)Ð)r:cóbtjdtt«¬«|jS)rÓzOgroup_arraylike is deprecated and will be removed in a future version of pandas©Úcategoryr=)r@rArBrrÖrps r9Úgroup_arraylikezGrouping.group_arraylikeÄs,ô      ð  ä"Ü'Ó)õ        
ð×$Ñ$Ð$r:có¨|j;|j}t|t«sJ|j}|j|«S|jSr¿)rrÊr]rrÚset_categories)rHÚ    group_idxÚcatss   r9rÔzGrouping._result_indexÒsRð×ÑÐ(Ø×)Ñ)IÜiÔ)9Ô:Ð:Ð:Ø??Dà×+Ñ+¨DÓ1Ð1Ø× Ñ Ð r:cóbtjdtt«¬«|jS)NzLresult_index is deprecated and will be removed in a future version of pandasrØ)r@rArBrrÔrps r9rªzGrouping.result_indexÞs*ä  ð  ä"Ü'Ó)õ        
ð×!Ñ!Ð!r:cóê|j\}}|js7|jr*t|t«sJ|j
r^|t |«k(j«rBt    jtj|jdg«|jd¬«}n®t |«dkDr |j}|jdkj«}|j|dkretj |jd|«}tj"|j|d«}t    j||jd¬«}t%j&||j(¬«S)NéÿÿÿÿFrrrU)rÐr¢rÄr]rrr®ÚanyÚ
from_codesr«ÚappendrÑr±r©ÚargmaxrÚnunique_intsÚinsertrÚ_with_inferrT)rHrÑr³ÚcatÚna_idxÚ na_unique_idxÚ    new_codess       r9rÊzGrouping._group_indexès à×0Ñ0wØ|| × 8Ó 8Üg¤{Ô3Ð3Ð3Øzzu¬¨G«Ñ4×9Ñ9Ô;ä%×0Ñ0ÜIIgmm¨b¨TÓ2°G×4FÑ4FÐQVôôUaà×*Ñ*Ø)) a-×/Ñ/Ó1Ø99VÑ$ qÒ(ä$.×$;Ñ$;¸C¿I¹IÀgÀvÐ<NÓ$OMÜ "§    ¡    ¨'¯-©-¸ÈÓ KIÜ)×4Ñ4Ø! 7×#5Ñ#5ÀôGô× Ñ  ¨t¯y©yÔ9Ð9r:cóbtjdtt«¬«|jS)NzKgroup_index is deprecated and will be removed in a future version of pandasrØ)r@rArBrrÊrps r9Úgroup_indexzGrouping.group_indexÿs*ä  ð  ä"Ü'Ó)õ        
ð× Ñ Ð r:có|jr|j}|j}|jrIt    j
|j«}||dk7}|jr4tj|«}ntjt|««}tj|||jd¬«}|j}|js¥|dk}tj |«r|jr#t|«}tj"|||«}n\|j%«}t    j&|d|«}tj"||k\|dz|«}tj"|||«}|js|j)|j*«}||fSt-|jt.j0«r:|jj2}|jj4j6}||fS|j8=t|j|j8¬«}|j}|j8}||fSt    j:|j|j|j¬«\}}||fS)NráF)rÑr±ÚorderedrKrr)r±)r%Úuse_na_sentinel)rÄr©r±r rÚunique1drÑrr«r%Úaranger®rrãrðr¢râÚwhereråræÚreorder_categoriesrr]rrÆÚ
codes_inforªrÕr£Ú    factorize)    rHrér±Úucodesr³rÑÚna_maskÚna_coderês             r9rÐzGrouping._codes_and_uniques    sð×#Ó#ð×&Ñ&CØJà~~Ü#×,Ñ,¨S¯Y©YÓ7Ø ¨"¡Ñ-Ø::ÜWW V_Fä¤3 z£?Ó3ä!×,Ñ,Ø¨¸S¿[¹[ÐSXôGðIIEØ<<Ø !)Ü66'?Øzzä"% j£/Ü "§¡¨°'¸5Ó Að")§¡Ó!1ä",×"9Ñ"9¸%ÀÀ¸.Ó"IÜ "§¡¨°'Ñ)9¸5À1¹9ÀeÓ LÜ "§¡¨°'¸5Ó Aà>>Ø!×4Ñ4°T·_±_ÓEà'>Ð!ä ×,Ñ,¬c¯o©oÔ >à×(Ñ(×3Ñ3EØ×*Ñ*×7Ñ7×?Ñ?Gðg~Ðð]]Ð &ôd×2Ñ2¸t¿}¹}ÔMCØIIEØmmGðg~Ðô(×1Ñ1Ø×$Ñ$¨4¯:©:ÀtÇ|Á|ôNE7ðg~Ðr:cótj|j|jd¬«}|jj|«S)NFr)rrãrÑrÊrÚgroupby)rHrÞs  r9rtzGrouping.groupsHs5ä×%Ñ% d§j¡j°$×2CÑ2CÈeÔTØ{{×"Ñ" 4Ó(Ð(r:)NNNTFFTN)r`rrNzNDFrame | Noner%r$r²r$r¡r$r&r$r³zArrayLike | Nonerrr)rr©rr$)rr)rz
int | None)rrÈ)rz$dict[Hashable, npt.NDArray[np.intp]])rznpt.NDArray[np.signedinteger])rrr)rz/tuple[npt.NDArray[np.signedinteger], ArrayLike])rzdict[Hashable, np.ndarray])rnrrrrrrIrrÂrrÄrTr¤rrËrÁrÑrÖrÚrÔrªrÊrîrÐrt©r:r9rrèsÀñð@48FÐ0Ó7Ø$Ó$ØÓØMð
Ø"ØØØØØØ$(ðg/àðg/ðð    g/ðð g/ððg/ððg/ððg/ð"ðg/ð
óg/óR(ó"ðò3óð3ðòóðð"òóððò&óð&ðò)óð)ðò*óð*ðò*óð*ðò%óð%ðò    !óð    !ðò"óð"ðò:óð:ð,ò!óð!ðò<óð<ð|ò)óñ)r:rcó.    j|«}|òt|t«r?t|«rt    |«dk(r|d}|Ât|«r·|j |«}d}n£t|«r1t    |«}    |    dk(r|d}n|    dk(rtd«td«t|t«r>j|«j|k7r5td|dj|««|dkDs|dkrtd    «d}|}t|t«rH|jd
¬«\}
|j |
t«fS|
t|jh«fSt|tj «r |t«fSt|t"«s|g}d
}n|}t    |«t    |«k(}t%d|D««} t%d |D««}t%d|D««}| sk|si|sg|re|ctt&«rt)fd|D««}n&tt*«sJt)fd|D««}|st-j.|«g}t|t0t"f«r|dgt    |«z}|}n|gt    |«z}g}t3«}dfd}dfd}t5||«D]<\}}tt&«r&||«rd}|j7|j«nÊ||«rj8dk7rR|vrN|rj;||¬«d||}}}|j8dk7rtd|d«|j7|«naj=||¬«rd
|d}}}nGt?|«t|t«r*|j|j7|j«d}nd
}t|t@«stA|||||||¬«n|}|jC|«?t    |«dk(rt    «rtd«t    |«dk(rI|jCtAtEgd¬«tGjHgtFjJ¬«««tj ||||¬«}
|
t|«fS)aã
    Create and return a BaseGrouper, which is an internal
    mapping of how to create the grouper indexers.
    This may be composed of multiple Grouping objects, indicating
    multiple groupers
 
    Groupers are ultimately index mappings. They can originate as:
    index mappings, keys to columns, functions, or Groupers
 
    Groupers enable local references to axis,level,sort, while
    the passed in axis, level, and sort are 'global'.
 
    This routine tries to figure out what the passing in references
    are and then creates a Grouping for each one, combined into
    a BaseGrouper.
 
    If observed & we have a categorical grouper, only show the observed
    values.
 
    If validate, then check for key/level overlaps.
 
    NrrzNo group keys passed!z*multiple levels only valid with MultiIndexzlevel name z is not the name of the ráz2level > 0 or level < -1 only valid with MultiIndexFrc3óVK|]!}t|«xst|t«#ywr¿)Úcallabler]Údict©ryÚgs  r9r{zget_grouper.<locals>.<genexpr>³s#èøÒH¸ax {Ò9¤j°´DÓ&9Ó9ÑHùs')c3óHK|]}t|ttf«ywr¿)r]r#rrs  r9r{zget_grouper.<locals>.<genexpr>´sèøÒH¸az !¤g¬xÐ%8×9ÑHùs "c    3ózK|]3}t|ttttt
jf«5ywr¿)r]ÚlistÚtuplerrr«r¬rs  r9r{zget_grouper.<locals>.<genexpr>µs+èøòØDE
1tU¤F¬E´2·:±:Ð>×?ñùs9;c3ónK|],}|jvxs|jjv.ywr¿)Úcolumnsr`rf©ryrrNs  r9r{zget_grouper.<locals>.<genexpr>Âs4øèøò'Ø=>S[[Ð Ò8 A¨¯©¯©Ð$8Ó8ñ'ùs25c3óNK|]}|jjvywr¿)r`rfrs  r9r{zget_grouper.<locals>.<genexpr>ÇsøèøÒ&JÀ q¨C¯I©I¯O©OÔ';Ñ&Jùs"%có´t|«s2jdk(ryjd}    |j|«yy#tt
tf$rYywxYw)NrFráT)Ú_is_label_likerÚaxesÚget_locrbÚ    TypeErrorr
)r*ÚitemsrNs  r9Ú
is_in_axiszget_grouper.<locals>.is_in_axis×sZøÜcÔ"Øxx1}ØðHHRLEð Ø  cÔ"ñ
øô    iÔ):Ð;ò áð úsAÁAÁAcót|d«syt«s
t«rW    |j}t|t«r6t|t«r&|jj|jd«Sy    ||juS#tt
ttf$rYywxYw#tt
ttf$rYywxYw)NrTFr)rrrrTrbÚ
IndexErrorr
r    r]rÚ_mgrÚreferences_same_values)ÚgprÚobj_gpr_columnrNs  r9Ú    is_in_objzget_grouper.<locals>.is_in_objçsÁøÜsFÔ#ØÜÔ Ô$6Ô$8ð Ø!$ S§X¡X¡ô#vÔ&¬:°nÄfÔ+MØxx×6Ñ6Ø"×'Ñ'¨óððð        Ø#chh-Ð'Ð'øôjÔ*;Ô=PÐQò Ùð ûô*Ô&7Ô9LÐMò    ñð    ús#¤BÁ;B+ÂB(Â'B(Â+CÃCTrZrr)rNr+r%r²r¡r&rÈ)r)r%r&rý)&rcr]rr r®rr¥r[rrTÚ_get_axis_namer#rQr*Ú    frozensetrrÆrrârÚallrÚcomÚasarray_tuplesaferÚsetÚzipÚaddrÚ_check_label_or_level_ambiguityÚ_is_level_referencerbrrärr«rhÚintp)rNr*r-r+r%r²rKr&Ú
group_axisÚnlevelsrPÚkeysÚmatch_axis_lengthÚany_callableÚany_groupersÚ any_arraylikeÚall_in_columns_indexÚlevelsr¨Ú
exclusionsrrrr¡rTÚpings`                         r9rMrMNsøð@tÓ$Jð Ðôj¤*Ô-ÜEÔ"¤s¨5£z°Q¢Øaà{y¨Ô/à ×1Ñ1°%Ó8ØôEÔ"Üe*Øa<Ø! !HEØ \Ü$Ð%<Ó=Ð=ä$Ð%QÓRÐRä%¤Ô%Ø== Ó&×+Ñ+¨uÒ4Ü$Ø% e Wð-"Ø"%×"4Ñ"4°TÓ":Ð!;ð=óððe bjÜ Ð!UÓVÐVðEØCô#wÔØ×'Ñ'¨°eÐ'Ó<Ø77?ØIK¨Ð,Ð,àI s§w¡w iÓ0°#Ð5Ð5ô
CÔ    )ØIK Ð$Ð$äc4Ô ØuØ!ÑàÜ I¬¨Z«Ñ8ÐôÑHÀ4ÔHÓHLÜÑHÀ4ÔHÓHLÜñØIMôóMñ ÙÙÙØMäc9Ô%Ü#&ó'ØBFô'ó$Ñ ôc¤6Ô*Ð*Ð*Ü#&Ó&JÀTÔ&JÓ#JÐ á#Ü×)Ñ)¨$Ó/Ð0Dä%%¤Ô'Ø;Ø6C JÑ&DØà3t9Ñ$à "IÜ #£Jõ õ ô4$ Ó'ó+
UÜc9Ô%©)°C¬.ØGØNN388Õ$á _Øxx1} ¨¡ÙØ×7Ñ7¸À$Ð7ÔGØ%)¨3°°C±sØ88q=ô% }°T°FÐ:MÐ%NÓOÐOØtÕ$Ø×(Ñ(¨°4Ð(Ô8Ø&+¨S°$ äsmÐ#Ü WÔ %¨#¯'©'Ð*=àNN377Ô#ØGàGôc¤8Ô,ô ØØØØØØ!ØØõ     ðð     ð    ×ÑÖðW+ôZ9~Òs 3xÜÐ0Ó1Ð1Ü
9~ÒØ×Ñ¤%¨°%Ô"8¼"¿(¹(À2ÌRÏWÉWÔ:UÓVÔWôooj¨)¸$ÀvÔNGØIjÓ)¨3Ð.Ð.r:cóTt|ttf«xs|duxrt|«Sr¿)r]rrr)Úvals r9rr8s%ÜcC¤<Ó(ÒP¨S¸¨_Ò-OÄÈ3ÃÐPr:cót|t«r|jSt|t«rB|jj|«r|jS|j|«jSt|t«r|jSt|tttttjf«rOt|«t|«k7rt!d«t|ttf«rt#j$|«}|S|S)Nz$Grouper and axis must be same length)r]rr1rr`ÚequalsrÕÚreindexrrrrrr«r¬r®r[rr)r-rPs  r9rr<sÂÜ'4Ô Ø{{ÐÜ    GVÔ    $Ø==×Ñ Ô%Ø??Ð"à?? 4Ó(×0Ñ0Ð0Ü    GZÔ    (ØÐÜ    Gd¤E¬5´+¼r¿z¹zÐJÔ    KÜw<3t9Ò$ÜÐCÓDÐDäg¤¤e}Ô-Ü×+Ñ+¨GÓ4GØàr:)NrNTFTT)rNrr-rr%r$r²r$rKr$r&r$rz5tuple[ops.BaseGrouper, frozenset[Hashable], NDFrameT]rý)r-r)ArÚ
__future__rÚtypingrrr@Únumpyr«Úpandas._configrrÚpandas._libsrÚpandas._libs.tslibsr    Ú pandas.errorsr
Úpandas.util._decoratorsrÚpandas.util._exceptionsrÚpandas.core.dtypes.commonr rÚpandas.core.dtypes.dtypesrÚpandas.corerÚpandas.core.arraysrrÚpandas.core.commonÚcoreÚcommonrÚpandas.core.framerÚpandas.core.groupbyrÚpandas.core.groupby.categoricalrÚpandas.core.indexes.apirrrÚpandas.core.seriesrÚpandas.io.formats.printingrÚcollections.abcrrÚpandas._typingrrrr Úpandas.core.genericr!r#rrMrrrþr:r9ú<module>rOsðñõ#÷óã÷õ
Ý3Ý+Ý2Ý4÷õ7å"÷÷!Ð Ý'Ý#Ý>÷ñõ
&å3á÷÷
óõ,÷c&ñc&ðL ÷b)ðb)óðb)ðN     ØØ
ØØØØðg/Ø    ðg/ððg/ð
ðg/ðð g/ððg/ð ðg/ð;óg/óTQôr: