pandas之分组groupby()的使用整理与总结
作者:敲代码的quant 时间:2022-04-23 17:24:42
前言
在使用pandas的时候,有些场景需要对数据内部进行分组处理,如一组全校学生成绩的数据,我们想通过班级进行分组,或者再对班级分组后的性别进行分组来进行分析,这时通过pandas下的groupby()函数就可以解决。在使用pandas进行数据分析时,groupby()函数将会是一个数据分析辅助的利器。
groupby的作用可以参考 超好用的 pandas 之 groupby 中作者的插图进行直观的理解:
准备
读入的数据是一段学生信息的数据,下面将以这个数据为例进行整理grouby()
函数的使用:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
df = pd.read_csv('./data.csv')
print(df)
Name Gender Age Score
0 Alen Male 18 80
1 Bob Male 19 90
2 Cidy Female 18 93
3 Daniel Male 20 87
4 Ellen Female 17 96
5 Frankie Male 21 100
6 Gate Male 20 88
7 Hebe Female 22 98
基本操作
在进行对groupby
函数进行学习之前,首先需要明确的是,通过对DataFrame
对象调用groupby()
函数返回的结果是一个DataFrameGroupBy
对象,而不是一个DataFrame
或者Series
对象,所以,它们中的一些方法或者函数是无法直接调用的,需要按照GroupBy
对象中具有的函数和方法进行调用。
grouped = df.groupby('Gender')
print(type(grouped))
print(grouped)
<class 'pandas.core.groupby.groupby.DataFrameGroupBy'>
分组时,不仅仅可以指定一个列名,也可以指定多个列名:
grouped = df.groupby('Gender')
grouped_muti = df.groupby(['Gender', 'Age'])
print(grouped.size())
print(grouped_muti.size())
Gender
Female 3
Male 5
dtype: int64
Gender Age
Female 17 1
18 1
22 1
Male 18 1
19 1
20 2
21 1
dtype: int64
指定多个列名个单个列名后的区别在于,分组的主键或者索引(indice)将一个是单个主键,另一个则是一个元组的形式:
print(grouped.get_group('Female'))
print(grouped_muti.get_group(('Female', 17)))
Name Gender Age Score
2 Cidy Female 18 93
4 Ellen Female 17 96
7 Hebe Female 22 98
Name Gender Age Score
4 Ellen Female 17 96
通过调用get_group()
函数可以返回一个按照分组得到的DataFrame
对象,所以接下来的使用就可以按照·DataFrame·对象来使用。如果想让这个DataFrame
对象的索引重新定义可以通过:
df = grouped.get_group('Female').reset_index()
print(df)
index Name Gender Age Score
0 2 Cidy Female 18 93
1 4 Ellen Female 17 96
2 7 Hebe Female 22 98
这里可以总结一下,由于通过groupby()
函数分组得到的是一个DataFrameGroupBy
对象,而通过对这个对象调用get_group()
,返回的则是一个·DataFrame·对象,所以可以将DataFrameGroupBy
对象理解为是多个DataFrame
组成的。
而没有调用get_group()
函数之前,此时的数据结构任然是DataFrameGroupBy
,此时进行对DataFrameGroupBy
按照列名进行索引,同理就可以得到SeriesGroupBy
对象,取多个列名,则得到的任然是DataFrameGroupBy
对象,这里可以类比DataFrame
和Series
的关系。
按照上面的思路理解后,再调用get_group()
函数后得到的DataFrame
对象按照列名进行索引实际上就是得到了Series
的对象,下面的操作就可以按照Series
对象中的函数行了。
在没有进行调用get_group()
,也就是没有取出特定某一组数据之前,此时的数据结构任然是DataFrameGroupBy
,其中也有很多函数和方法可以调用,如max()
、count()
、std()
等,返回的结果是一个DataFrame
对象。
print(grouped.count())
print(grouped.max()[['Age', 'Score']])
print(grouped.mean()[['Age', 'Score']])
Name Age Score
Gender
Female 3 3 3
Male 5 5 5
Age Score
Gender
Female 22 98
Male 21 100
Age Score
Gender
Female 19.0 95.666667
Male 19.6 89.000000
如果其中的函数无法满足你的需求,你也可以选择使用聚合函数aggregate
,传递numpy
或者自定义的函数,前提是返回一个聚合值。
def getSum(data):
total = 0
for d in data:
total+=d
return total
print(grouped.aggregate(np.median))
print(grouped.aggregate({'Age':np.median, 'Score':np.sum}))
print(grouped.aggregate({'Age':getSum}))
aggregate
函数不同于apply
,前者是对所有的数值进行一个聚合的操作,而后者则是对每个数值进行单独的一个操作:
def addOne(data):
return data + 1
df['Age'] = df['Age'].apply(addOne)
df['Age'] = df['Age'].apply(int)
可视化操作
对组内的数据绘制概率密度分布:
grouped['Age'].plot(kind='kde', legend=True)
plt.show()
由于grouped['Age']
是一个SeriesGroupby
对象, 顾名思义, 就是每一个组都有一个Series
. 所以直接plot相当于遍历了每一个组内的Age数据。
REF
groupby官方文档
超好用的 pandas 之 groupby
来源:https://blog.csdn.net/FrankieHello/article/details/97272990