python pandas分组聚合详细
python pandas分组聚合
1、环境
- python3.9
- win10 64bit
- pandas==1.2.1
groupby方法是pandas中的分组方法，对数据框采用groupby方法后，返回的是DataFrameGroupBy对象，一般分组操作后会进行聚合操作。
2、分组
import pandas as pd
import numpy as np
pd.set_option('display.notebook_repr_html',False)
# 数据准备
df = pd.DataFrame({'A': [1, 1, 2, 2],'B': [1, 2, 3, 4],'C':[6,8,1,9]})
df
A B C
0 1 1 6
1 1 2 8
2 2 3 1
3 2 4 9
对数据框按A列进行分组，产生分组数据框。分组数据框是可迭代对象，可以进行循环遍历，可以看出在循环中，每个元素的类型是元组，
元组的第一个元素是分组值，第二个元素是对应的分组数据框。
# 分组
g_df=df.groupby('A')
# 分组数据框类
type(g_df)
pandas.core.groupby.generic.DataFrameGroupBy
# 循环分组数据
for i in g_df:
print(i,type(i),end='\n\n')
(1, A B C 0 1 1 6 1 1 2 8) <class 'tuple'>
(2, A B C 2 2 3 1 3 2 4 9) <class 'tuple'>
可以对分组后的数据框直接使用聚合方法agg，对分组数据框的每一列计算统计函数值。
# 分组求和
df.groupby('A').agg('sum')
B C
A
1 3 14
2 7 10
3、序列分组
可以根据数据框外的序列数据对数据框进行分组，需要注意序列长度需要与数据框行数相同。
# 定义分组列表
label=['a','a','b','b']
# 分组求和
df.groupby(label).agg('sum')
A B C
a 2 3 14
b 4 7 10
4、多列分组
可以根据数据框的多列对数据框进行分组。
# 数据准备
df = pd.DataFrame({'A': [1, 1, 2, 2],'B': [3, 4, 3, 3],'C':[6,8,1,9]})
df
A B C 0 1 3 6 1 1 4 8 2 2 3 1 3 2 3 9
根据A,B列进行分组，然后求和。
# 根据多列分组求和
df.groupby(['A','B']).agg('sum')
C
A B
1 3 6
4 8
2 3 10
5、索引分组
可以根据索引对数据框进行分组，需要设置level参数。
# 数据准备
df = pd.DataFrame({'A': [1, 1, 2, 2],'B': [3, 4, 3, 3],'C':[6,8,1,9]},index=['a','a','b','b'])
df
A B C a 1 3 6 a 1 4 8 b 2 3 1 b 2 3 9
数据框只有一层索引，设置参数level=0。
# 根据索引分组求和
df.groupby(level=0).agg('sum')
A B C
a 2 7 14
b 4 6 10
当数据框索引有多层时，也可以根据需求设置level参数，完成分组聚合。
# 数据准备 mi=pd.MultiIndex.from_arrays([[1,1,2,2],[3,4,3,3]],names=['id1','id2']) df=pd.DataFrame(dict(value=[4,7,2,9]),index=mi) df
value
id1 id2
1 3 4
4 7
2 3 2
3 9
设置level参数，如需要根据第一层索引，即id1进行分组，可以设置level=0或level='id1'完成分组聚合。
# 根据第一层索引分组求和
df.groupby(level=0).agg('sum')
value
id1
1 11
2 11
# 根据第一层索引分组求和
df.groupby(level='id1').agg('sum')
value
id1
1 11
2 11
7、聚合
分组后一般会进行聚合操作，用agg方法进行聚合。
# 数据准备
df = pd.DataFrame({'A': [1, 1, 2, 2],'B': [3, 4, 3, 3],'C':[6,8,1,9],'D':[2,5,4,8]})
df
A B C D 0 1 3 6 2 1 1 4 8 5 2 2 3 1 4 3 2 3 9 8
8、单函数对多列
对分组后数据框使用单个函数进行聚合，单个聚合函数会对每列进行计算，然后合并返回。聚合函数以字符串的形式传入。
# 对所有列分组求和
df.groupby('A').agg('sum')
B C D A 1 7 14 7 2 6 10 12
可以对分组后的数据指定列进行分组聚合。需要注意子列需要用[]包裹。
# 对指定列分组求和
df.groupby('A')[['B','C']].agg('sum')
B C A 1 7 14 2 6 10
聚合函数也可以传入自定义的匿名函数。
# 匿名函数分组求和
df.groupby('A').agg(lambda x:sum(x))
B C D A 1 7 14 7 2 6 10 12
9、多函数对多列
聚合函数可以是多个函数。聚合时，多个聚合函数会对每列进行计算，然后合并返回。聚合函数以列表的形式传入。
# 全部列多函数聚合
df.groupby('A').agg(['sum','mean'])
B C D
sum mean sum mean sum mean
A
1 7 3.5 14 7 7 3.5
2 6 3.0 10 5 12 6.0
聚合返回后的数据列名有两层索引，第一层是聚合的列名，第二层是使用的聚合函数名。如果需要对返回的聚合函数名重命名，
需要在传参时，传入元组，第一个元素为聚合函数名，第二个元素为聚合函数。
# 聚合函数重命名
df.groupby('A').agg([('SUM','sum'),('MEAN','mean')])
B C D
SUM MEAN SUM MEAN SUM MEAN
A
1 7 3.5 14 7 7 3.5
2 6 3.0 10 5 12 6.0
同样，也可以传入匿名函数。
# 匿名函数并重命名
df.groupby('A').agg([('SUM','sum'),('MAX',lambda x:max(x))])
B C D
SUM MAX SUM MAX SUM MAX
A
1 7 4 14 8 7 5
2 6 3 10 9 12 8
如果需要对不同的列进行不同的聚合计算，则需要传入字典的形式。
# 不同列不同聚合函数
df.groupby('A').agg({'B':['sum','mean'],'C':'mean'})
B C
sum mean mean
A
1 7 3.5 7
2 6 3.0 5
可以重命名聚合后的列名，注意只能对一列传入一个聚合函数时有效。
# 聚合后重命名列名
df.groupby('A').agg(B_sum=('B','sum'),C_mean=('C','mean'))
B_sum C_mean A 1 7 7 2 6 5
