前言

在使用pandas的時候，有些場景需要對數(shù)據(jù)內(nèi)部進行分組處理，如一組全校學(xué)生成績的數(shù)據(jù)，我們想通過班級進行分組，或者再對班級分組后的性別進行分組來進行分析，這時通過pandas下的groupby()函數(shù)就可以解決。在使用pandas進行數(shù)據(jù)分析時，groupby()函數(shù)將會是一個數(shù)據(jù)分析輔助的利器。

groupby的作用可以參考 超好用的 pandas 之 groupby 中作者的插圖進行直觀的理解：

準(zhǔn)備

讀入的數(shù)據(jù)是一段學(xué)生信息的數(shù)據(jù)，下面將以這個數(shù)據(jù)為例進行整理grouby()函數(shù)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

在進行對groupby函數(shù)進行學(xué)習(xí)之前，首先需要明確的是，通過對DataFrame對象調(diào)用groupby()函數(shù)返回的結(jié)果是一個DataFrameGroupBy對象，而不是一個DataFrame或者Series對象，所以，它們中的一些方法或者函數(shù)是無法直接調(diào)用的，需要按照GroupBy對象中具有的函數(shù)和方法進行調(diào)用。

grouped = df.groupby('Gender')
print(type(grouped))
print(grouped)

<class 'pandas.core.groupby.groupby.DataFrameGroupBy'>

分組時，不僅僅可以指定一個列名，也可以指定多個列名：

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

指定多個列名個單個列名后的區(qū)別在于，分組的主鍵或者索引（indice）將一個是單個主鍵，另一個則是一個元組的形式：

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

通過調(diào)用get_group()函數(shù)可以返回一個按照分組得到的DataFrame對象，所以接下來的使用就可以按照·DataFrame·對象來使用。如果想讓這個DataFrame對象的索引重新定義可以通過：

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

這里可以總結(jié)一下，由于通過groupby()函數(shù)分組得到的是一個DataFrameGroupBy對象，而通過對這個對象調(diào)用get_group()，返回的則是一個·DataFrame·對象，所以可以將DataFrameGroupBy對象理解為是多個DataFrame組成的。

而沒有調(diào)用get_group()函數(shù)之前，此時的數(shù)據(jù)結(jié)構(gòu)任然是DataFrameGroupBy，此時進行對DataFrameGroupBy按照列名進行索引，同理就可以得到SeriesGroupBy對象，取多個列名，則得到的任然是DataFrameGroupBy對象，這里可以類比DataFrame和Series的關(guān)系。

按照上面的思路理解后，再調(diào)用get_group()函數(shù)后得到的DataFrame對象按照列名進行索引實際上就是得到了Series的對象，下面的操作就可以按照Series對象中的函數(shù)行了。

在沒有進行調(diào)用get_group()，也就是沒有取出特定某一組數(shù)據(jù)之前，此時的數(shù)據(jù)結(jié)構(gòu)任然是DataFrameGroupBy，其中也有很多函數(shù)和方法可以調(diào)用，如max()、count()、std()等，返回的結(jié)果是一個DataFrame對象。

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

如果其中的函數(shù)無法滿足你的需求，你也可以選擇使用聚合函數(shù)aggregate，傳遞numpy或者自定義的函數(shù)，前提是返回一個聚合值。

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函數(shù)不同于apply，前者是對所有的數(shù)值進行一個聚合的操作，而后者則是對每個數(shù)值進行單獨的一個操作：

def addOne(data):
  return data + 1

df['Age'] = df['Age'].apply(addOne)
df['Age'] = df['Age'].apply(int)

可視化操作

對組內(nèi)的數(shù)據(jù)繪制概率密度分布：

grouped['Age'].plot(kind='kde', legend=True)
plt.show()

由于grouped['Age']是一個SeriesGroupby對象, 顧名思義, 就是每一個組都有一個Series. 所以直接plot相當(dāng)于遍歷了每一個組內(nèi)的Age數(shù)據(jù)。

REF

groupby官方文檔
超好用的 pandas 之 groupby

到此這篇關(guān)于pandas之分組groupby()的使用整理與總結(jié)的文章就介紹到這了,更多相關(guān)pandas groupby()分組內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論