pandas group分组与agg聚合的实例
时间：2023-01-25 10:07:17|栏目：Python代码|点击： 次
如下：
import pandas as pd
df = pd.DataFrame({'Country':['China','China', 'India', 'India', 'America', 'Japan', 'China', 'India'],
'Income':[10000, 10000, 5000, 5002, 40000, 50000, 8000, 5000],
'Age':[5000, 4321, 1234, 4010, 250, 250, 4500, 4321]})
构造的数据如下：
Age Country Income 0 5000 China 10000 1 4321 China 10000 2 1234 India 5000 3 4010 India 5002 4 250 America 40000 5 250 Japan 50000 6 4500 China 8000 7 4321 India 5000
分组
单列分组
df_gb = df.groupby('Country')
for index, data in df_gb:
print(index)
print(data)
输出
America Age Country Income 4 250 America 40000 China Age Country Income 0 5000 China 10000 1 4321 China 10000 6 4500 China 8000 India Age Country Income 2 1234 India 5000 3 4010 India 5002 7 4321 India 5000 Japan Age Country Income 5 250 Japan 50000
多列分组
df_gb = df.groupby(['Country', 'Income']) for (index1, index2), data in df_gb: print((index1, index2)) print(data)
输出
('America', 40000)
Age Country Income
4 250 America 40000
('China', 8000)
Age Country Income
6 4500 China 8000
('China', 10000)
Age Country Income
0 5000 China 10000
1 4321 China 10000
('India', 5000)
Age Country Income
2 1234 India 5000
7 4321 India 5000
('India', 5002)
Age Country Income
3 4010 India 5002
('Japan', 50000)
Age Country Income
5 250 Japan 50000
聚合
对分组后数据进行聚合
默认情况对分组之后其他列进行聚合
df_agg = df.groupby('Country').agg(['min', 'mean', 'max'])
print(df_agg)
输出
Age Income min mean max min mean max Country America 250 250.000000 250 40000 40000.000000 40000 China 4321 4607.000000 5000 8000 9333.333333 10000 India 1234 3188.333333 4321 5000 5000.666667 5002 Japan 250 250.000000 250 50000 50000.000000 50000
对分组后的部分列进行聚合
某些情况，只需要对部分数据进行不同的聚合操作，可以通过字典来构建
num_agg = {'Age':['min', 'mean', 'max']}
print(df.groupby('Country').agg(num_agg))
输出
Age
min mean max
Country
America 250 250.000000 250
China 4321 4607.000000 5000
India 1234 3188.333333 4321
Japan 250 250.000000 250
num_agg = {'Age':['min', 'mean', 'max'], 'Income':['min', 'max']}
print(df.groupby('Country').agg(num_agg))
输出
Age Income min mean max min max Country America 250 250.000000 250 40000 40000 China 4321 4607.000000 5000 8000 10000 India 1234 3188.333333 4321 5000 5002 Japan 250 250.000000 250 50000 50000
补充：pandas――很全的groupby、agg，对表格数据分组与统计
我这篇groupby写的不好。太复杂了。其实实际上经常用的就那么几个。举个例子，把常用的往那一放就很容易理解和拿来用了。日后再写一篇。
groupby功能：分组
groupby + agg(聚集函数们)： 分组后，对各组应用一些函数，如'sum',‘mean',‘max',‘min'…
groupby默认纵方向上分组，axis=0
DataFrame import pandas as pd import numpy as np
df = pd.DataFrame({'key1':['a', 'a', 'b', 'b', 'a'],
'key2':['one', 'two', 'one', 'two', 'one'],
'data1':np.random.randn(5),
'data2':np.random.randn(5)})
print(df)
data1 data2 key1 key2 0 -0.410122 0.247895 a one 1 -0.627470 -0.989268 a two 2 0.179488 -0.054570 b one 3 -0.299878 -1.640494 b two 4 -0.297191 0.954447 a one
分组，并对分组进行迭代
list(df.groupby(['key1']))#list后得到：[(group1),(group2),......]
[('a', data1 data2 key1 key2
0 -0.410122 0.247895 a one
1 -0.627470 -0.989268 a two
4 -0.297191 0.954447 a one), ('b', data1 data2 key1 key2
2 0.179488 -0.054570 b one
3 -0.299878 -1.640494 b two)]
list后得到：[(group1),(group2),…]
每个数据片(group)格式: (name,group)元组
1. 按key1（一个列）分组，其实是按key1的值
groupby对象支持迭代，产生一组二元元组：（分组名，数据块）,（分组名，数据块）…
for name,group in df.groupby(['key1']): print(name) print(group)
a data1 data2 key1 key2 0 -0.410122 0.247895 a one 1 -0.627470 -0.989268 a two 4 -0.297191 0.954447 a one b data1 data2 key1 key2 2 0.179488 -0.054570 b one 3 -0.299878 -1.640494 b two
2. 按[key1, key2]（多个列）分组
对于多重键，产生的一组二元元组：（（k1,k2），数据块）,（（k1,k2），数据块）…
第一个元素是由键值组成的元组
for name,group in df.groupby(['key1','key2']): print(name) #name=(k1,k2) print(group)
('a', 'one')
data1 data2 key1 key2
0 -0.410122 0.247895 a one
4 -0.297191 0.954447 a one
('a', 'two')
data1 data2 key1 key2
1 -0.62747 -0.989268 a two
('b', 'one')
data1 data2 key1 key2
2 0.179488 -0.05457 b one
('b', 'two')
data1 data2 key1 key2
3 -0.299878 -1.640494 b two
3. 按函数分组
4. 按字典分组
5. 按索引级别分组
6.将函数跟数组、列表、字典、Series混合使用也不是问题，因为任何东西最终都会被转换为数组
将这些数据片段做成字典
dict(list(df.groupby(['key1'])))#dict(list())
{'a': data1 data2 key1 key2
0 -0.410122 0.247895 a one
1 -0.627470 -0.989268 a two
4 -0.297191 0.954447 a one, 'b': data1 data2 key1 key2
2 0.179488 -0.054570 b one
3 -0.299878 -1.640494 b two}
分组后进行一些统计、计算等
1. 分组后，返回一个含有分组大小的Series
按key1分组
df.groupby(['key1']).size()
key1 a 3 b 2 dtype: int64
dict(['a1','x2','e3'])
{'a': '1', 'e': '3', 'x': '2'}
按[key1,key2]分组
df.groupby(['key1','key2']).size()
key1 key2 a one 2 two 1 b one 1 two 1 dtype: int64
2. 对data1按key1进行分组，并计算data1列的平均值
df['data1'].groupby(df['key1']).mean() #groupby没有进行任何的计算。它只是进行了一个分组
key1 a -0.444928 b -0.060195 Name: data1, dtype: float64
df.groupby(['key1'])['data1'].mean()#理解：对df按key1分组，并计算分组后df['data1']的均值 #等价于：df.groupby(['key1']).data1.mean()
key1 a -0.444928 b -0.060195 Name: data1, dtype: float64
说明：
groupby没有进行任何的计算。它只是进行了一个分组。
数据（Series）根据分组键进行了聚合，产生了一个新的Series，其索引为key1列中的唯一值。
这种索引操作所返回的对象是一个已分组的DataFrame（如果传入的是列表或数组）或已分组的Series
df.groupby(['key1'])['data1'].size()
key1 a 3 b 2 Name: data1, dtype: int64
3.对data1按[key1,key2]进行分组，并计算data1的平均值
df['data1'].groupby([df['key1'],df['key2']]).mean()
key1 key2 a one -0.353657 two -0.627470 b one 0.179488 two -0.299878 Name: data1, dtype: float64
df.groupby(['key1','key2'])['data1'].mean() #等价于：df.groupby(['key1','key2']).data1'.mean()
key1 key2 a one -0.353657 two -0.627470 b one 0.179488 two -0.299878 Name: data1, dtype: float64
通过两个键对数据进行了分组，得到的Series具有一个层次化索引（由唯一的键对组成）：
df.groupby(['key1','key2'])['data1'].mean().unstack()
| key2 | one | two |
|---|---|---|
| key1 | ||
| a | -0.353657 | -0.627470 |
| b | 0.179488 | -0.299878 |
在上面这些示例中，分组键均为Series。实际上，分组键可以是任何长度适当的数组。非常灵活。
横方向上
按列的数据类型（df.dtypes）来分
df共两种数据类型：float64和object，所以会分为两组（dtype(‘float64'）,数据片),（dtype(‘O'), 数据片）
list(df.groupby(df.dtypes, axis=1))
[(dtype('float64'), data1 data2
0 -0.410122 0.247895
1 -0.627470 -0.989268
2 0.179488 -0.054570
3 -0.299878 -1.640494
4 -0.297191 0.954447), (dtype('O'), key1 key2
0 a one
1 a two
2 b one
3 b two
4 a one)]
agg的应用
groupby+agg 可以对groupby的结果同时应用多个函数
SeriesGroupBy的方法agg()参数：
aggregate(self, func_or_funcs, * args, ** kwargs) func: function, string, dictionary, or list of string/functions
返回：aggregated的Series
s= pd.Series([10,20,30,40]) s
0 10 1 20 2 30 3 40 dtype: int64
for n,g in s.groupby([1,1,2,2]): print(n) print(g)
0 10 1 20 dtype: int64 2 2 30 3 40 dtype: int64
s.groupby([1,1,2,2]).min() 1 1 10 2 30 dtype: int64
#等价于这个：
s.groupby([1,1,2,2]).agg('min')
1 10 2 30 dtype: int64
s.groupby([1,1,2,2]).agg(['min','max'])#加[]，func仅接受一个参数
| min | max | |
|---|---|---|
| 1 | 10 | 20 |
| 2 | 30 | 40 |
常常这样用：
df
| data1 | data2 | key1 | key2 | |
|---|---|---|---|---|
| 0 | -0.410122 | 0.247895 | a | one |
| 1 | -0.627470 | -0.989268 | a | two |
| 2 | 0.179488 | -0.054570 | b | one |
| 3 | -0.299878 | -1.640494 | b | two |
| 4 | -0.297191 | 0.954447 | a | one |
比较下面，可以看出agg的用处：
df.groupby(['key1'])['data1'].min()
key1 a -0.627470 b -0.299878 Name: data1, dtype: float64
df.groupby(['key1'])['data1'].agg({'min'})
| min | |
|---|---|
| key1 | |
| a | -0.627470 |
| b | -0.299878 |
#推荐用这个√
df.groupby(['key1']).agg({'data1':'min'})#对data1列，取各组的最小值，名字还是data1
| data1 | |
|---|---|
| key1 | |
| a | -0.627470 |
| b | -0.299878 |
#按key1分组后，aggregate各组data1的最小值和最大值：
df.groupby(['key1'])['data1'].agg({'min','max'})
| max | min | |
|---|---|---|
| key1 | ||
| a | -0.297191 | -0.627470 |
| b | 0.179488 | -0.299878 |
#推荐用这个√
df.groupby(['key1']).agg({'data1':['min','max']})
| data1 | ||
|---|---|---|
| min | max | |
| key1 | ||
| a | -0.627470 | -0.297191 |
| b | -0.299878 | 0.179488 |
可以对groupby的结果更正列名（不推荐用这个，哪怕在后面单独更改列名）
# 对data1，把min更名为a，max更名为b
df.groupby(['key1'])['data1'].agg({'a':'min','b':'max'})#这里的'min' 'max'为两个函数名
d:\python27\lib\site-packages\ipykernel_launcher.py:2: FutureWarning: using a dict on a Series for aggregation is deprecated and will be removed in a future version
| a | b | |
|---|---|---|
| key1 | ||
| a | -0.627470 | -0.297191 |
| b | -0.299878 | 0.179488 |
重要技巧： groupby之后直接.reset_index()可以得到一个没有多级索引的DataFrame
之后可以通过df.rename({‘old_col1':‘new_col1',‘old_col2':‘new_col2',…})重命名
eg:
df1= df.groupby(['date'])['price'].agg({'sum','count'}).reset_index()
