简介
pandas 中的 DF 数据类型可以像数据库表格一样进行 groupby 操作。通常来说 groupby 操作可以分为三部分：分割数据，应用变换和和合并数据。
本文将会详细讲解 Pandas 中的 groupby 操作。
分割数据
分割数据的目的是将 DF 分割成为一个个的 group。为了进行 groupby 操作，在创建 DF 的时候需要指定相应的 label：
df = pd.DataFrame( ...: { ...: "A": ["foo", "bar", "foo", "bar", "foo", "bar", "foo", "foo"], ...: "B": ["one", "one", "two", "three", "two", "two", "one", "three"], ...: "C": np.random.randn(8), ...: "D": np.random.randn(8), ...: } ...: ) ...:
dfOut[61]: A B C D0 foo one -0.490565 -0.2331061 bar one 0.430089 1.0407892 foo two 0.653449 -1.1555303 bar three -0.610380 -0.4477354 foo two -0.934961 0.2563585 bar two -0.256263 -0.6619546 foo one -1.132186 -0.3043307 foo three 2.129757 0.445744
复制代码
默认情况下，groupby 的轴是 x 轴。可以一列 group，也可以多列 group：
In [8]: grouped = df.groupby("A")
In [9]: grouped = df.groupby(["A", "B"])
复制代码
多 index
在 0.24 版本中，如果我们有多 index，可以从中选择特定的 index 进行 group：
In [10]: df2 = df.set_index(["A", "B"])
In [11]: grouped = df2.groupby(level=df2.index.names.difference(["B"]))
In [12]: grouped.sum()Out[12]: C DA bar -1.591710 -1.739537foo -0.752861 -1.402938
复制代码
get_group
get_group 可以获取分组之后的数据：
In [24]: df3 = pd.DataFrame({"X": ["A", "B", "A", "B"], "Y": [1, 4, 3, 2]})
In [25]: df3.groupby(["X"]).get_group("A")Out[25]: X Y0 A 12 A 3
In [26]: df3.groupby(["X"]).get_group("B")Out[26]: X Y1 B 43 B 2
复制代码
dropna
默认情况下，NaN 数据会被排除在 groupby 之外，通过设置 dropna=False 可以允许 NaN 数据：
In [27]: df_list = [[1, 2, 3], [1, None, 4], [2, 1, 3], [1, 2, 2]]
In [28]: df_dropna = pd.DataFrame(df_list, columns=["a", "b", "c"])
In [29]: df_dropnaOut[29]: a b c0 1 2.0 31 1 NaN 42 2 1.0 33 1 2.0 2
复制代码
# Default ``dropna`` is set to True, which will exclude NaNs in keysIn [30]: df_dropna.groupby(by=["b"], dropna=True).sum()Out[30]: a cb 1.0 2 32.0 2 5
# In order to allow NaN in keys, set ``dropna`` to FalseIn [31]: df_dropna.groupby(by=["b"], dropna=False).sum()Out[31]: a cb 1.0 2 32.0 2 5NaN 1 4
复制代码
groups 属性
groupby 对象有个 groups 属性，它是一个 key-value 字典，key 是用来分类的数据，value 是分类对应的值。
In [34]: grouped = df.groupby(["A", "B"])
In [35]: grouped.groupsOut[35]: {('bar', 'one'): [1], ('bar', 'three'): [3], ('bar', 'two'): [5], ('foo', 'one'): [0, 6], ('foo', 'three'): [7], ('foo', 'two'): [2, 4]}
In [36]: len(grouped)Out[36]: 6
复制代码
index 的层级
对于多级 index 对象，groupby 可以指定 group 的 index 层级：
In [40]: arrays = [ ....: ["bar", "bar", "baz", "baz", "foo", "foo", "qux", "qux"], ....: ["one", "two", "one", "two", "one", "two", "one", "two"], ....: ] ....:
In [41]: index = pd.MultiIndex.from_arrays(arrays, names=["first", "second"])
In [42]: s = pd.Series(np.random.randn(8), index=index)
In [43]: sOut[43]: first secondbar one -0.919854 two -0.042379baz one 1.247642 two -0.009920foo one 0.290213 two 0.495767qux one 0.362949 two 1.548106dtype: float64
复制代码
group 第一级：
In [44]: grouped = s.groupby(level=0)
In [45]: grouped.sum()Out[45]: firstbar -0.962232baz 1.237723foo 0.785980qux 1.911055dtype: float64
复制代码
group 第二级：
In [46]: s.groupby(level="second").sum()Out[46]: secondone 0.980950two 1.991575dtype: float64
复制代码
group 的遍历
得到 group 对象之后，我们可以通过 for 语句来遍历 group：
In [62]: grouped = df.groupby('A')
In [63]: for name, group in grouped: ....: print(name) ....: print(group) ....: bar A B C D1 bar one 0.254161 1.5117633 bar three 0.215897 -0.9905825 bar two -0.077118 1.211526foo A B C D0 foo one -0.575247 1.3460612 foo two -1.143704 1.6270814 foo two 1.193555 -0.4416526 foo one -0.408530 0.2685207 foo three -0.862495 0.024580
复制代码
如果是多字段 group，group 的名字是一个元组：
In [64]: for name, group in df.groupby(['A', 'B']): ....: print(name) ....: print(group) ....: ('bar', 'one') A B C D1 bar one 0.254161 1.511763('bar', 'three') A B C D3 bar three 0.215897 -0.990582('bar', 'two') A B C D5 bar two -0.077118 1.211526('foo', 'one') A B C D0 foo one -0.575247 1.3460616 foo one -0.408530 0.268520('foo', 'three') A B C D7 foo three -0.862495 0.02458('foo', 'two') A B C D2 foo two -1.143704 1.6270814 foo two 1.193555 -0.441652
复制代码
聚合操作
分组之后，就可以进行聚合操作：
In [67]: grouped = df.groupby("A")
In [68]: grouped.aggregate(np.sum)Out[68]: C DA bar 0.392940 1.732707foo -1.796421 2.824590
In [69]: grouped = df.groupby(["A", "B"])
In [70]: grouped.aggregate(np.sum)Out[70]: C DA B bar one 0.254161 1.511763 three 0.215897 -0.990582 two -0.077118 1.211526foo one -0.983776 1.614581 three -0.862495 0.024580 two 0.049851 1.185429
复制代码
对于多 index 数据来说，默认返回值也是多 index 的。如果想使用新的 index，可以添加 as_index = False：
In [71]: grouped = df.groupby(["A", "B"], as_index=False)
In [72]: grouped.aggregate(np.sum)Out[72]: A B C D0 bar one 0.254161 1.5117631 bar three 0.215897 -0.9905822 bar two -0.077118 1.2115263 foo one -0.983776 1.6145814 foo three -0.862495 0.0245805 foo two 0.049851 1.185429
In [73]: df.groupby("A", as_index=False).sum()Out[73]: A C D0 bar 0.392940 1.7327071 foo -1.796421 2.824590
复制代码
上面的效果等同于 reset_index
In [74]: df.groupby(["A", "B"]).sum().reset_index()
复制代码
grouped.size() 计算 group 的大小：
In [75]: grouped.size()Out[75]: A B size0 bar one 11 bar three 12 bar two 13 foo one 24 foo three 15 foo two 2
复制代码
grouped.describe() 描述 group 的信息：
In [76]: grouped.describe()Out[76]: C ... D count mean std min 25% 50% ... std min 25% 50% 75% max0 1.0 0.254161 NaN 0.254161 0.254161 0.254161 ... NaN 1.511763 1.511763 1.511763 1.511763 1.5117631 1.0 0.215897 NaN 0.215897 0.215897 0.215897 ... NaN -0.990582 -0.990582 -0.990582 -0.990582 -0.9905822 1.0 -0.077118 NaN -0.077118 -0.077118 -0.077118 ... NaN 1.211526 1.211526 1.211526 1.211526 1.2115263 2.0 -0.491888 0.117887 -0.575247 -0.533567 -0.491888 ... 0.761937 0.268520 0.537905 0.807291 1.076676 1.3460614 1.0 -0.862495 NaN -0.862495 -0.862495 -0.862495 ... NaN 0.024580 0.024580 0.024580 0.024580 0.0245805 2.0 0.024925 1.652692 -1.143704 -0.559389 0.024925 ... 1.462816 -0.441652 0.075531 0.592714 1.109898 1.627081
[6 rows x 16 columns]
复制代码
通用聚合方法
下面是通用的聚合方法：
同时使用多个聚合方法
可以同时指定多个聚合方法：
In [81]: grouped = df.groupby("A")
In [82]: grouped["C"].agg([np.sum, np.mean, np.std])Out[82]: sum mean stdA bar 0.392940 0.130980 0.181231foo -1.796421 -0.359284 0.912265
复制代码
可以重命名：
In [84]: ( ....: grouped["C"] ....: .agg([np.sum, np.mean, np.std]) ....: .rename(columns={"sum": "foo", "mean": "bar", "std": "baz"}) ....: ) ....: Out[84]: foo bar bazA bar 0.392940 0.130980 0.181231foo -1.796421 -0.359284 0.912265
复制代码
NamedAgg
NamedAgg 可以对聚合进行更精准的定义，它包含 column 和 aggfunc 两个定制化的字段。
In [88]: animals = pd.DataFrame( ....: { ....: "kind": ["cat", "dog", "cat", "dog"], ....: "height": [9.1, 6.0, 9.5, 34.0], ....: "weight": [7.9, 7.5, 9.9, 198.0], ....: } ....: ) ....:
In [89]: animalsOut[89]: kind height weight0 cat 9.1 7.91 dog 6.0 7.52 cat 9.5 9.93 dog 34.0 198.0
In [90]: animals.groupby("kind").agg( ....: min_height=pd.NamedAgg(column="height", aggfunc="min"), ....: max_height=pd.NamedAgg(column="height", aggfunc="max"), ....: average_weight=pd.NamedAgg(column="weight", aggfunc=np.mean), ....: ) ....: Out[90]: min_height max_height average_weightkind cat 9.1 9.5 8.90dog 6.0 34.0 102.75
复制代码
或者直接使用一个元组：
In [91]: animals.groupby("kind").agg( ....: min_height=("height", "min"), ....: max_height=("height", "max"), ....: average_weight=("weight", np.mean), ....: ) ....: Out[91]: min_height max_height average_weightkind cat 9.1 9.5 8.90dog 6.0 34.0 102.75
复制代码
不同的列指定不同的聚合方法
通过给 agg 方法传入一个字典，可以指定不同的列使用不同的聚合：
In [95]: grouped.agg({"C": "sum", "D": "std"})Out[95]: C DA bar 0.392940 1.366330foo -1.796421 0.884785
复制代码
转换操作
转换是将对象转换为同样大小对象的操作。在数据分析的过程中，经常需要进行数据的转换操作。
可以接 lambda 操作：
In [112]: ts.groupby(lambda x: x.year).transform(lambda x: x.max() - x.min())
复制代码
填充 na 值：
In [121]: transformed = grouped.transform(lambda x: x.fillna(x.mean()))
复制代码
过滤操作
filter 方法可以通过 lambda 表达式来过滤我们不需要的数据：
In [136]: sf = pd.Series([1, 1, 2, 3, 3, 3])
In [137]: sf.groupby(sf).filter(lambda x: x.sum() > 2)Out[137]: 3 34 35 3dtype: int64
复制代码
Apply 操作
有些数据可能不适合进行聚合或者转换操作，Pandas 提供了一个 apply 方法，用来进行更加灵活的转换操作。
In [156]: dfOut[156]: A B C D0 foo one -0.575247 1.3460611 bar one 0.254161 1.5117632 foo two -1.143704 1.6270813 bar three 0.215897 -0.9905824 foo two 1.193555 -0.4416525 bar two -0.077118 1.2115266 foo one -0.408530 0.2685207 foo three -0.862495 0.024580
In [157]: grouped = df.groupby("A")
# could also just call .describe()In [158]: grouped["C"].apply(lambda x: x.describe())Out[158]: A bar count 3.000000 mean 0.130980 std 0.181231 min -0.077118 25% 0.069390 ... foo min -1.143704 25% -0.862495 50% -0.575247 75% -0.408530 max 1.193555Name: C, Length: 16, dtype: float64
复制代码
可以外接函数：
In [159]: grouped = df.groupby('A')['C']
In [160]: def f(group): .....: return pd.DataFrame({'original': group, .....: 'demeaned': group - group.mean()}) .....:
In [161]: grouped.apply(f)Out[161]: original demeaned0 -0.575247 -0.2159621 0.254161 0.1231812 -1.143704 -0.7844203 0.215897 0.0849174 1.193555 1.5528395 -0.077118 -0.2080986 -0.408530 -0.0492457 -0.862495 -0.503211
复制代码
本文已收录于 http://www.flydean.com/11-python-pandas-groupby/
最通俗的解读，最深刻的干货，最简洁的教程，众多你不知道的小技巧等你来发现！
评论