- Name Brand Cloth Count
- girl uniql sweater 3
- girl etam suit 1
- girl etam pants 1
- girl lagogo jacket 2
- boy pants 2
- boy hailan t-shirt 1
- mother hengyuanxiang coat 2
- mother hengyuanxiang sweater 1
- mother coat 1
- father hailan t-shirt 2
- father hailan sweater 1
- father hailan pants 3
本文数据源如上,Name:在家庭中的身份, Brand:衣服品牌, ClothType:衣服数量,Count:衣服数量
import pandas as pd
data=pd.read_excel('testdata.xlsx')
如果是csv文件:
import pandas as pd
data=pd.read_csv('testdata.csv',sep=',')
查看data的内容: - data
- Out[1]:
- Name Brand Cloth Count
- 0 girl uniql sweater 3
- 1 girl etam suit 1
- 2 girl etam pants 1
- 3 girl lagogo jacket 2
- 4 boy NaN pants 2
- 5 boy hailan t-shirt 1
- 6 mother hengyuanxiang coat 2
- 7 mother hengyuanxiang sweater 1
- 8 mother NaN coat 1
- 9 father hailan t-shirt 2
- 10 father hailan sweater 1
- 11 father hailan pants 3
获取列名: - data.columns
- Out[2]: Index(['Name', 'Brand', 'Cloth', 'Count'], dtype='object')
- data.columns[0]
- Out[2]: 'Name'
- data.columns[1]
- Out[3]: 'Brand'
获取index:
- data.index
- Out[3]: RangeIndex(start=0, stop=12, step=1)
从0开始,到12停,不包括12.所以一共有12行数据
获取values: - data.values
- Out[4]:
- array([['girl', 'uniql', 'sweater', 3],
- ['girl', 'etam', 'suit', 1],
- ['girl', 'etam', 'pants', 1],
- ['girl', 'lagogo', 'jacket', 2],
- ['boy', nan, 'pants', 2],
- ['boy', 'hailan', 't-shirt', 1],
- ['mother', 'hengyuanxiang', 'coat', 2],
- ['mother', 'hengyuanxiang', 'sweater', 1],
- ['mother', nan, 'coat', 1],
- ['father', 'hailan', 't-shirt', 2],
- ['father', 'hailan', 'sweater', 1],
- ['father', 'hailan', 'pants', 3]], dtype=object)
获取某一行:
- data.values[1]
- Out[5]: array(['girl', 'etam', 'suit', 1], dtype=object)
获取某一格:
- data.values[1][2]
- Out[6]: 'suit'
按某一列关键字分组:
- gp=data.groupby('Brand')#写data.groupby(data['Brand'])也是一样的
- gp
- Out[10]: <pandas.core.groupby.DataFrameGroupBy object at 0x0000000008309B38>
- type(gp)
- Out[11]: pandas.core.groupby.DataFrameGroupBy
gp是一个把dataframe groupby以后的对象,它实际上还没有进行任何计算,只是一个暂时存储的容器。
对这个暂时存储的容器进行计数,因为是按'Brand'分的组,: - gp.count()
- Out[13]:
- Name Cloth Count
- Brand
- etam 2 2 2
- hailan 4 4 4
- hengyuanxiang 2 2 2
- lagogo 1 1 1
- uniql 1 1 1
看到按'Brand'分组后的这个结果,Name,Cloth,Count列在每种Brand所对应行的数字都一样,比如:2 2 2.可以理解为每种Brand各有多少行数据,把这个行数显示在所有列。
因为我们选择时是data.groupby(),而不是data['Count'].groupby()
p.s.:可以看到分组计数后的index是'Brand‘,这是因为分组是按'Brand’字段分的
- gp.count().index
- Out[14]: Index(['etam', 'hailan', 'hengyuanxiang', 'lagogo', 'uniql'], dtype='object', name='Brand')
想知道每种Brand的衣服有多少人穿多少种,其实只看 Count列就行了。
比如father虽然有2件T-shirt,1件sweater,3件pants,还是算1个人穿3种hailan。boy有一件hailan的t-shirt,算1个人穿1种hailan。所以hailan对应4。 总之,count()函数可以理解为对Count列去重的和。
- gp1=data['Count'].groupby(data['Brand'])
- gp1.count() #和gp1.size()结果一样
- Out[20]:
- Brand
- etam 2
- hailan 4
- hengyuanxiang 2
- lagogo 1
- uniql 1
- Name: Count, dtype: int64
想求某品牌被人均拥有的件数的平均值:
比如hailan就是father的2件T恤,1件毛衣,3条裤子,还有boy的1件T恤。 (2+1+3+1)/4=1.75。 分母4可以理解为刚才所说的 gp1.count() :每种Brand的衣服有多少人穿多少种
比如hengyuanxiang就是mother的2件大衣,1件毛衣 ,(2+1)/2=1.5
- gp1.mean()
- Out[21]:
- Brand
- etam 1.00
- hailan 1.75
- hengyuanxiang 1.50
- lagogo 2.00
- uniql 3.00
- Name: Count, dtype: float64
说明:type(gp1.mean()) 是 Series类型。之所以index叫'Brand',是因为原datafram是按'Brand' groupby的
想求某品牌被每人拥有的件数:(与“”想知道每种Brand的衣服有多少人穿多少种“ .count( )算法的区别在于 不去重)
在Count列上加和
- gp1.agg(sum) #就是 data['Count'].groupby(data['Brand']).agg(sum) , agg里也可以写'sum',与不加单引号等效
- Out[5]:
- Brand
- etam 2
- hailan 7
- hengyuanxiang 3
- lagogo 2
- uniql 3
- Name: Count, dtype: int64
综上所述可以观察出,gp1.mean()操作的结果等于 gp1.agg(sum)/gp1.count()
遍历分组:
- for name,group in data.groupby(data['Brand']):
- print(name)
- print(group)
-
- etam
- Name Brand Cloth Count
- 1 girl etam suit 1
- 2 girl etam pants 1
- hailan
- Name Brand Cloth Count
- 5 boy hailan t-shirt 1
- 9 father hailan t-shirt 2
- 10 father hailan sweater 1
- 11 father hailan pants 3
- hengyuanxiang
- Name Brand Cloth Count
- 6 mother hengyuanxiang coat 2
- 7 mother hengyuanxiang sweater 1
- lagogo
- Name Brand Cloth Count
- 3 girl lagogo jacket 2
- uniql
- Name Brand Cloth Count
- 0 girl uniql sweater 3
由上可以看出,brand为NaN 的衣服并没有被分组,自动忽略不计了。
对于由DataFrame产生的GroupBy对象,如果用一个(单个字符串)或一组(字符串数组)列名对其进行索引,就能实现选取部分列进行聚合的目的,即:
写法一:
- data.groupby('Brand')['Count'].sum()#等价于data.groupby('Brand')['Count'].agg(sum),等价于data.groupby('Brand')['Count'].agg('sum')#等价于data.groupby('Brand').agg('sum')['Count'],等价于data.groupby('Brand').agg(sum)['Count'],等价于data.groupby('Brand').sum()['Count']
- Out[13]:
- Brand
- etam 2
- hailan 7
- hengyuanxiang 3
- lagogo 2
- uniql 3
- Name: Count, dtype: int64
这和写法二:
- data['Count'].groupby(data['Brand']).sum()
- Out[19]:
- Brand
- etam 2
- hailan 7
- hengyuanxiang 3
- lagogo 2
- uniql 3
- Name: Count, dtype: int64
是等效的
注意写法一里面的'Brand'不用必须写成(当然也可以写成)data['Brand'],是因为data.groupby()由于是对data这个dataframe调用的方法,所以能识别出data的字段'Brand'。但是写法二是对data['Count'] 这个Series对象调用的groupby,不认识'Brand',只认识data['Brand'],如果写法二还写成.groupby('Brand')就会报错。
双索引分组:
想知道每人拥有每种品牌的衣服多少种类型(类型就是Cloth字段,写成ClothType大家更容易理解哈):
- data.groupby(['Name','Brand'])['Count'].count() #和写.size( )效果一样
- Out[31]:
- Name Brand
- boy hailan 1
- father hailan 3
- girl etam 2
- lagogo 1
- uniql 1
- mother hengyuanxiang 2
- Name: Count, dtype: int64
从结果可以看出,对boy拥有的没Brand的一条裤子,和mother没牌子的一件大衣,都自动忽略不计了。
最后,感谢http://blog.csdn.net/leonis_v/article/details/51832916的分享
|