• 4. 通过 字典 和 Series 对象进行分组统计
  

• 4.1通过一个字典
  

• 4.2通过一个Series
  

1. groupby 基本用法

=====================================================================================

1.1 一级分类_分组求和

import pandas as pd

data = [['a', 'A', 109], ['b', 'B', 112], ['c', 'A', 125], ['d', 'C', 120],

['e', 'C', 126], ['f', 'B', 133], ['g', 'A', 124], ['h', 'B', 134],

['i', 'C', 117], ['j', 'C', 128]]

index = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

columns = ['name', 'class', 'num']

df = pd.DataFrame(data=data, index=index, columns=columns)

print(df)

print("=================================================")

df1 = df.groupby('class').sum() # 分组统计求和

print(df1)

1.2 二级分类_分组求和

给 groupby()传入一个列表，列表中的元素为分类字段，从左到右分类级别增大。(一级分类、二级分类…)

import pandas as pd

data = [['a', 'A', '1 等', 109], ['b', 'B', '1 等', 112], ['c', 'A', '1 等', 125], ['d', 'B', '2 等', 120],

['e', 'B', '1 等', 126], ['f', 'B', '2 等', 133], ['g', 'A', '2 等', 124], ['h', 'B', '1 等', 134],

['i', 'A', '2 等', 117], ['j', 'A', '2 等', 128], ['h', 'A', '1 等', 130], ['i', 'B', '2 等', 122]]

index = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]

columns = ['name', 'class_1', 'class_2', 'num']

df = pd.DataFrame(data=data, index=index, columns=columns)

print(df)

print("=================================================")

df1 = df.groupby(['class_1', 'class_2']).sum() # 分组统计求和

print(df1)

1.3 对 DataFrameGroupBy 对象列名索引（对指定列统计计算）

其中，df.groupby(‘class_1’)得到一个 DataFrameGroupBy 对象，对该对象可以使用列名进行索引，以对指定的列进行统计。

如：df.groupby(‘class_1’)[‘num’].sum()

import pandas as pd

data = [['a', 'A', '1 等', 109], ['b', 'B', '1 等', 112], ['c', 'A', '1 等', 125], ['d', 'B', '2 等', 120],

['e', 'B', '1 等', 126], ['f', 'B', '2 等', 133], ['g', 'A', '2 等', 124], ['h', 'B', '1 等', 134],

['i', 'A', '2 等', 117], ['j', 'A', '2 等', 128], ['h', 'A', '1 等', 130], ['i', 'B', '2 等', 122]]

index = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]

columns = ['name', 'class_1', 'class_2', 'num']

df = pd.DataFrame(data=data, index=index, columns=columns)

print(df)

print("=================================================")

df1 = df.groupby('class_1')['num'].sum()

print(df1)

代码运行结果同上。

2. 对分组数据进行迭代

===================================================================================

2.1 对一级分类的 DataFrameGroupBy 对象进行遍历

for name, group in DataFrameGroupBy_object

其中，name 指分类的类名，group 指该类的所有数据。

import pandas as pd

data = [['a', 'A', '1 等', 109], ['b', 'C', '1 等', 112], ['c', 'A', '1 等', 125], ['d', 'B', '2 等', 120],

['e', 'B', '1 等', 126], ['f', 'B', '2 等', 133], ['g', 'C', '2 等', 124], ['h', 'A', '1 等', 134],

['i', 'C', '2 等', 117], ['j', 'A', '2 等', 128], ['h', 'B', '1 等', 130], ['i', 'C', '2 等', 122]]

index = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]

columns = ['name', 'class_1', 'class_2', 'num']

df = pd.DataFrame(data=data, index=index, columns=columns)

print(df)

print("===============================")

获取目标数据。

df1 = df[['name', 'class_1', 'num']]

for name, group in df1.groupby('class_1'):

print(name)

print("=============================")

print(group)

print("==================================================")

2.2 对二级分类的 DataFrameGroupBy 对象进行遍历

对二级分类的 DataFrameGroupBy 对象进行遍历，

以 for (key1, key2), group in df.groupby([‘class_1’, ‘class_2’]) 为例

不同于一级分类的是， (key1, key2)是一个由多级类别组成的元组，而 group 表示该多级分类类别下的数据。

import pandas as pd

data = [['a', 'A', '1 等', 109], ['b', 'C', '1 等', 112], ['c', 'A', '1 等', 125], ['d', 'B', '2 等', 120],

['e', 'B', '1 等', 126], ['f', 'B', '2 等', 133], ['g', 'C', '2 等', 124], ['h', 'A', '1 等', 134],

['i', 'C', '2 等', 117], ['j', 'A', '2 等', 128], ['h', 'B', '1 等', 130], ['i', 'C', '2 等', 122]]

index = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]

columns = ['name', 'class_1', 'class_2', 'num']

df = pd.DataFrame(data=data, index=index, columns=columns)

print(df)

print("===============================")

for (key1, key2), group in df.groupby(['class_1', 'class_2']):

print(key1, key2)

print("=============================")

print(group)

print("==================================================")

程序运行结果如下：

(部分)

3. agg()函数

=================================================================================

使用 groupby()函数和 agg()函数 实现 分组聚合操作运算。

3.1 一般写法_对目标数据使用同一聚合函数

以 分组求均值、求和 为例

给 agg()传入一个列表

df1.groupby([‘class_1’, ‘class_2’]).agg([‘mean’, ‘sum’])

import pandas as pd

data = [['a', 'A', '1 等', 109, 144], ['b', 'C', '1 等', 112, 132], ['c', 'A', '1 等', 125, 137], ['d', 'B', '2 等', 120, 121],

['e', 'B', '1 等', 126, 136], ['f', 'B', '2 等', 133, 127], ['g', 'C', '2 等', 124, 126], ['h', 'A', '1 等', 134, 125],

['i', 'C', '2 等', 117, 125], ['j', 'A', '2 等', 128, 133], ['h', 'B', '1 等', 130, 122], ['i', 'C', '2 等', 122, 111]]

index = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]

columns = ['name', 'class_1', 'class_2', 'num1', 'num2']

df = pd.DataFrame(data=data, index=index, columns=columns)

print(df)

print("===============================")

df1 = df[['class_1', 'class_2', 'num1', 'num2']]

print(df1.groupby(['class_1', 'class_2']).agg(['mean', 'sum']))

3.2 对不同列使用不同聚合函数

给 agg()方法传入一个字典

import pandas as pd

data = [['a', 'A', '1 等', 109, 144], ['b', 'C', '1 等', 112, 132], ['c', 'A', '1 等', 125, 137], ['d', 'B', '2 等', 120, 121],

['e', 'B', '1 等', 126, 136], ['f', 'B', '2 等', 133, 127], ['g', 'C', '2 等', 124, 126], ['h', 'A', '1 等', 134, 125],

['i', 'C', '2 等', 117, 125], ['j', 'A', '2 等', 128, 133], ['h', 'B', '1 等', 130, 122], ['i', 'C', '2 等', 122, 111]]

index = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]

columns = ['name', 'class_1', 'class_2', 'num1', 'num2']

df = pd.DataFrame(data=data, index=index, columns=columns)

print(df)

print("===============================")

df1 = df[['class_1', 'num1', 'num2']]

print(df1.groupby('class_1').agg({'num1': ['mean', 'sum'], 'num2': ['sum']}))

![在这里插入图片描述](https://img-b

log.csdnimg.cn/690bbc0b701a4b4f9760a05c7d79a7f7.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5L6v5bCP5ZW-,size_20,color_FFFFFF,t_70,g_se,x_16)

如果你也是看准了 Python，想自学 Python，在这里为大家准备了丰厚的免费学习大礼包，带大家一起学习，给大家剖析 Python 兼职、就业行情前景的这些事儿。

一、Python 所有方向的学习路线

Python 所有方向路线就是把 Python 常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其必先利其器。学习 Python 常用的开发软件都在这里了，给大家节省了很多时间。

三、全套 PDF 电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

五、面试资料

我们学习 Python 必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

成为一个 Python 程序员专家或许需要花费数年时间，但是打下坚实的基础只要几周就可以，如果你按照我提供的学习路线以及资料有意识地去实践，你就有很大可能成功！最后祝你好运！！！