groupby是Pandas在数据分析中最常用的函数之一。它用于根据给定列中的不同值对数据点(即行)进行分组，分组后的数据可以计算生成组的聚合值。
如果我们有一个包含汽车品牌和价格信息的数据集，那么可以使用groupby功能来计算每个品牌的平均价格。在本文中，我们将使用25个示例来详细介绍groupby函数的用法。这25个示例中还包含了一些不太常用但在各种任务中都能派上用场的操作。这里使用的数据集是随机生成的，我们把它当作一个销售的数据集。 import pandas as pd sales = pd.read_csv('sales_data.csv') sales.head()
sales.groupby('store')['stock_qty'].mean() #输出 store Daisy 1811.861702 Rose 1677.680000 Violet 14622.406061 Name: stock_qty, dtype: float64
sales.groupby('store')[['stock_qty','price']].mean()
sales.groupby('store')['stock_qty'].agg(['mean', 'max'])
在前面的两个示例中，聚合列表示什么还不清楚。例如，“mean”并没有告诉我们它是什么的均值。在这种情况下，我们可以对聚合的结果进行命名。 sales.groupby('store').agg( avg_stock_qty = ('stock_qty', 'mean'), max_stock_qty = ('stock_qty', 'max') )
sales.groupby('store')[['stock_qty','price']].agg(['mean', 'max'])
sales.groupby('store').agg( avg_stock_qty = ('stock_qty', 'mean'), avg_price = ('price', 'mean') )
sales.groupby('store', as_index=False).agg( avg_stock_qty = ('stock_qty', 'mean'), avg_price = ('price', 'mean') )
sales.groupby(['store','product_group'], as_index=False).agg( avg_sales = ('last_week_sales', 'mean') ).head()
sales.groupby(['store','product_group'], as_index=False).agg( avg_sales = ('last_week_sales', 'mean') ).sort_values(by='avg_sales', ascending=False).head()
sales.groupby('store')['last_week_sales'].nlargest(2) store Daisy 413 1883 231 947 Rose 948 883 263 623 Violet 991 3222 339 2690 Name: last_week_sales, dtype: int64
sales.groupby('store')['last_week_sales'].nsmallest(2)
sales_sorted = sales.sort_values(by=['store','last_month_sales'], ascending=False, ignore_index=True)
sales_sorted.groupby('store').nth(4)
输出包含每个组的第5行。由于行是根据上个月的销售值排序的，所以我们将获得上个月销售额排名第五的行。也可以用负的第n项。例如，' nth(-2) '返回从末尾开始的第二行。 sales_sorted.groupby('store').nth(-2)
unique函数可用于查找每组中唯一的值。例如，可以找到每个组中唯一的产品代码如下: sales.groupby('store', as_index=False).agg( unique_values = ('product_code','unique') )
还可以使用nunique函数找到每组中唯一值的数量。 sales.groupby('store', as_index=False).agg( number_of_unique_values = ('product_code','nunique') )
可以在agg函数中使用lambda表达式作为自定义聚合操作。 sales.groupby('store').agg( total_sales_in_thousands = ( 'last_month_sales', lambda x: round(x.sum() / 1000, 1) ) )
使用apply函数将Lambda表达式应用到每个组。例如，我们可以计算每家店上周销售额与上个月四分之一销售额的差值的平均值，如下: sales.groupby('store').apply( lambda x: (x.last_week_sales - x.last_month_sales / 4).mean() ) store Daisy 5.094149 Rose 5.326250 Violet 8.965152 dtype: float64
缺省情况下，groupby函数忽略缺失值。如果用于分组的列中缺少一个值，那么它将不包含在任何组中，也不会单独显示。所以可以使用dropna参数来改变这个行为。 sales.loc[1000] = [None, 'PG2', 10000, 120, 64, 96, 15, 53]
然后计算带有dropna参数和不带有dropna参数的每个商店的平均价格，以查看差异。 sales.groupby('store')['price'].mean() store Daisy 69.327426 Rose 60.513700 Violet 67.808727 Name: price, dtype: float64
sales.groupby('store', dropna=False)['price'].mean() store Daisy 69.327426 Rose 60.513700 Violet 67.808727 NaN 96.000000 Name: price, dtype: float64
groupby函数的dropna参数，使用pandas版本1.1.0或更高版本。有时需要知道生成了多少组，这可以使用ngroups。 sales.groupby(['store', 'product_group']).ngroups 18
get_group函数可获取特定组并且返回DataFrame。例如，我们可以获得属于存储“Daisy”和产品组“PG1”的行如下: aisy_pg1 = sales.groupby( ['store', 'product_group']).get_group(('Daisy','PG1') ) daisy_pg1.head()
rank函数用于根据给定列中的值为行分配秩。我们可以使用rank和groupby函数分别对每个组中的行进行排序。 sales['rank'] = sales.groupby('store'['price'].rank( ascending=False, method='dense' ) sales.head()
import numpy as npdf = pd.DataFrame( { 'date': pd.date_range(start='2022-08-01', periods=8, freq='D'), 'category': list('AAAABBBB'), 'value': np.random.randint(10, 30, size=8) } )
我们可以单独创建一个列，包含值列的累计总和，如下所示: df['cum_sum'] = df.groupby('category')['value'].cumsum()
expanding函数提供展开转换。但是对于展开以后的操作还是需要一个累计函数来堆区操作。例如它与cumsum 函数一起使用，结果将与与sum函数相同。 df['cum_sum_2'] = df.groupby( 'category' )['value'].expanding().sum().values
df['cum_mean'] = df.groupby( 'category' )['value'].expanding().mean().values
可以使用expand和max函数记录组当前最大值。 df['current_highest'] = df.groupby( 'category' )['value'].expanding().max().values
在Pandas中groupby函数与aggregate函数共同构成了高效的数据分析工具。在本文中所做的示例涵盖了groupby功能的大多数用例，希望对你有所帮助。 
