Pandas分组运算（groupby）修炼

Pandas的groupby()功能很强大，用好了可以方便的解决很多问题，在数据处理以及日常工作中经常能施展拳脚。

今天，我们一起来领略下groupby()的魅力吧。

首先，引入相关package：

import pandas as pdimport numpy as np

groupby的基础操作

In [2]: df = pd.DataFrame({'A': ['a', 'b', 'a', 'c', 'a', 'c', 'b', 'c'], ...: 'B': [2, 8, 1, 4, 3, 2, 5, 9], ...: 'C': [102, 98, 107, 104, 115, 87, 92, 123]}) ...: df ...: Out[2]: A B C0 a 2 1021 b 8 982 a 1 1073 c 4 1044 a 3 1155 c 2 876 b 5 927 c 9 123

按A列分组（groupby），获取其他列的均值

df.groupby('A').mean()Out[3]: B CA a 2.0 108.000000b 6.5 95.000000c 5.0 104.666667

按多列进行分组（groupby）

df.groupby(['A','B']).mean()Out[4]: CA B a 1 107 2 102 3 115b 5 92 8 98c 2 87 4 104 9 123

分组后选择列进行运算

分组后，可以选取单列数据，或者多个列组成的列表（list）进行运算

In [5]: df = pd.DataFrame([[1, 1, 2], [1, 2, 3], [2, 3, 4]], columns=['A', 'B', 'C']) ...: df ...: Out[5]: A B C0 1 1 21 1 2 32 2 3 4

In [6]: g = df.groupby('A')

In [7]: g['B'].mean() # 仅选择B列Out[7]: A1 1.52 3.0Name: B, dtype: float64

In [8]: g[['B', 'C']].mean() # 选择B、C列Out[8]: B CA 1 1.5 2.52 3.0 4.0

可以针对不同的列选用不同的聚合方法

In [9]: g.agg({'B':'mean', 'C':'sum'})Out[9]: B CA 1 1.5 52 3.0 4

聚合方法size()和count()

size跟count的区别： size计数时包含NaN值，而count不包含NaN值

In [10]: df = pd.DataFrame({'Name':['Alice', 'Bob', 'Mallory', 'Mallory', 'Bob' , 'Mallory'], ...: 'City':['Seattle', 'Seattle', 'Portland', 'Seattle', 'Seattle', 'Portland'], ...: 'Val':[4,3,3,np.nan,np.nan,4]}) ...: ...: df ...: Out[10]: City Name Val0 Seattle Alice 4.01 Seattle Bob 3.02 Portland Mallory 3.03 Seattle Mallory NaN4 Seattle Bob NaN5 Portland Mallory 4.0

count()

In [11]: df.groupby(['Name', 'City'], as_index=False)['Val'].count()Out[11]: Name City Val0 Alice Seattle 11 Bob Seattle 12 Mallory Portland 23 Mallory Seattle 0

size()

In [12]: df.groupby(['Name', 'City'])['Val'].size().reset_index(name='Size')Out[12]: Name City Size0 Alice Seattle 11 Bob Seattle 22 Mallory Portland 23 Mallory Seattle 1

分组运算方法 agg()

针对某列使用agg()时进行不同的统计运算

In [13]: df = pd.DataFrame({'A': list('XYZXYZXYZX'), 'B': [1, 2, 1, 3, 1, 2, 3, 3, 1, 2], ...: 'C': [12, 14, 11, 12, 13, 14, 16, 12, 10, 19]}) ...: df ...: Out[13]: A B C0 X 1 121 Y 2 142 Z 1 113 X 3 124 Y 1 135 Z 2 146 X 3 167 Y 3 128 Z 1 109 X 2 19

In [14]: df.groupby('A')['B'].agg({'mean':np.mean, 'standard deviation': np.std})Out[14]: mean standard deviationA X 2.250000 0.957427Y 2.000000 1.000000Z 1.333333 0.577350

针对不同的列应用多种不同的统计方法

In [15]: df.groupby('A').agg({'B':[np.mean, 'sum'], 'C':['count',np.std]})Out[15]: B C mean sum count stdA X 2.250000 9 4 3.403430Y 2.000000 6 3 1.000000Z 1.333333 4 3 2.081666

分组运算方法 apply()

In [16]: df = pd.DataFrame({'A': list('XYZXYZXYZX'), 'B': [1, 2, 1, 3, 1, 2, 3, 3, 1, 2], ...: 'C': [12, 14, 11, 12, 13, 14, 16, 12, 10, 19]}) ...: df ...: Out[16]: A B C0 X 1 121 Y 2 142 Z 1 113 X 3 124 Y 1 135 Z 2 146 X 3 167 Y 3 128 Z 1 109 X 2 19In [17]: df.groupby('A').apply(np.mean) ...: # 跟下面的方法的运行结果是一致的 ...: # df.groupby('A').mean()Out[17]: B CA X 2.250000 14.750000Y 2.000000 13.000000Z 1.333333 11.666667

apply()方法可以应用lambda函数，举例如下:

In [18]: df.groupby('A').apply(lambda x: x['C']-x['B'])Out[18]: A X 0 11 3 9 6 13 9 17Y 1 12 4 12 7 9Z 2 10 5 12 8 9dtype: int64In [19]: df.groupby('A').apply(lambda x: (x['C']-x['B']).mean())Out[19]: AX 12.500000Y 11.000000Z 10.333333dtype: float64

分组运算方法 transform()

前面进行聚合运算的时候，得到的结果是一个以分组名为 index 的结果对象。如果我们想使用原数组的 index 的话，就需要进行 merge 转换。transform(func, args, *kwargs) 方法简化了这个过程，它会把 func 参数应用到所有分组，然后把结果放置到原数组的 index 上（如果结果是一个标量，就进行广播）：

In [20]: df = pd.DataFrame({'group1' : ['A', 'A', 'A', 'A', ...: 'B', 'B', 'B', 'B'], ...: 'group2' : ['C', 'C', 'C', 'D', ...: 'E', 'E', 'F', 'F'], ...: 'B' : ['one', np.NaN, np.NaN, np.NaN, ...: np.NaN, 'two', np.NaN, np.NaN], ...: 'C' : [np.NaN, 1, np.NaN, np.NaN, ...: np.NaN, np.NaN, np.NaN, 4]}) ...: df ...: Out[20]: B C group1 group20 one NaN A C1 NaN 1.0 A C2 NaN NaN A C3 NaN NaN A D4 NaN NaN B E5 two NaN B E6 NaN NaN B F7 NaN 4.0 B FIn [21]: df.groupby(['group1', 'group2'])['B'].transform('count')Out[21]: 0 11 12 13 04 15 16 07 0Name: B, dtype: int64In [22]: df['count_B']=df.groupby(['group1', 'group2'])['B'].transform('count') ...: df ...: Out[22]: B C group1 group2 count_B0 one NaN A C 11 NaN 1.0 A C 12 NaN NaN A C 13 NaN NaN A D 04 NaN NaN B E 15 two NaN B E 16 NaN NaN B F 07 NaN 4.0 B F 0

上面运算的结果分析： {‘group1’:’A’, ‘group2’:’C’}的组合共出现3次，即index为0,1,2。对应”B”列的值分别是”one”,”NaN”,”NaN”，由于count()计数时不包括Nan值，因此{‘group1’:’A’, ‘group2’:’C’}的count计数值为1。
transform()方法会将该计数值在dataframe中所有涉及的rows都显示出来（我理解应该就进行广播）

将某列数据按数据值分成不同范围段进行分组（groupby）运算

In [23]: np.random.seed(0) ...: df = pd.DataFrame({'Age': np.random.randint(20, 70, 100), ...: 'Sex': np.random.choice(['Male', 'Female'], 100), ...: 'number_of_foo': np.random.randint(1, 20, 100)}) ...: df.head() ...: Out[23]: Age Sex number_of_foo0 64 Female 141 67 Female 142 20 Female 123 23 Male 174 23 Female 15

这里将“Age”列分成三类，有两种方法可以实现：

（a）bins=4

（b）bins=[19, 40, 65, np.inf]

In [24]: pd.cut(df['Age'], bins=4)Out[24]: ...In [25]: pd.cut(df['Age'], bins=[19,40,65,np.inf])

分组结果范围结果如下：

In [26]: age_groups = pd.cut(df['Age'], bins=[19,40,65,np.inf]) ...: df.groupby(age_groups).mean()

运行结果如下：

按‘Age’分组范围和性别（sex）进行制作交叉表

In [27]: pd.crosstab(age_groups, df['Sex'])

运行结果如下：

 

​