小白学 Python 数据分析（7）：Pandas 数据分组
引言
各位同學(xué)好呀，我又出來(lái)了，本篇文章我們介紹下 Pandas 的數(shù)據(jù)分組。
本文用的數(shù)據(jù)集再次做更換，有同學(xué)在后臺(tái)問(wèn)小編為什么最近每篇文章都在換數(shù)據(jù)集。
emmmmmmmm，在小白剛?cè)腴T(mén)的時(shí)候，很多同學(xué)找不到數(shù)據(jù)集練手，小編盡量多使用一些數(shù)據(jù)集，傳到代碼倉(cāng)庫(kù)后，大家 Down 下來(lái)直接就能使用，給大家多提供幾個(gè)案例做選擇。
AkShare
本次的數(shù)據(jù)集選擇由 AkShare 提供的本次疫情的歷史數(shù)據(jù)。
AkShare 的簡(jiǎn)介：
AkShare 是基于 Python 的開(kāi)源金融數(shù)據(jù)接口庫(kù), 目的是實(shí)現(xiàn)對(duì)股票, 期貨, 期權(quán), 基金, 外匯, 債券, 指數(shù), 數(shù)字貨幣等金融產(chǎn)品的基本面數(shù)據(jù)、實(shí)時(shí)和歷史行情數(shù)據(jù)、衍生數(shù)據(jù)從數(shù)據(jù)采集, 數(shù)據(jù)清洗, 到數(shù)據(jù)落地的一套開(kāi)源工具, 滿(mǎn)足金融數(shù)據(jù)科學(xué)家, 數(shù)據(jù)科學(xué)愛(ài)好者在金融數(shù)據(jù)獲取方面的需求。
AkShare 的特點(diǎn)是獲取的是相對(duì)權(quán)威的金融數(shù)據(jù)網(wǎng)站公布的原始數(shù)據(jù), 廣大數(shù)據(jù)科學(xué)家可以利用原始數(shù)據(jù)進(jìn)行各數(shù)據(jù)源之間的交叉驗(yàn)證, 進(jìn)而再加工, 從而得出科學(xué)的結(jié)論。
好像和疫情沒(méi)什么關(guān)系么，其實(shí) AkShare 也是在最近的更新中添加了有關(guān)本次疫情的數(shù)據(jù)集。
首先第一件事兒就是先把我們今天要使用到的數(shù)據(jù)集搞下來(lái)，首先是 AkShare 的安裝，參考文檔示例進(jìn)行安裝（ https://akshare.readthedocs.io/zh_CN/latest/akshare/ak-installation.html ）：
-
通用安裝：
pip install akshare --upgrade -
國(guó)內(nèi)安裝-Python：
pip install akshare -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com --upgrade -
國(guó)內(nèi)安裝-Anaconda：
pip install akshare -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com --user --upgrade
除了一些 Python 的庫(kù)需要進(jìn)行安裝，還有一些其他環(huán)境需要安裝，小編這里就不一一列出了，請(qǐng)各位同學(xué)參考文檔進(jìn)行安裝。
安裝好以后，將本次疫情的歷史數(shù)據(jù)進(jìn)行導(dǎo)出成 Excel ，然后開(kāi)始我們今天的正題，這段導(dǎo)出代碼其實(shí)非常簡(jiǎn)單，加上導(dǎo)包總共三行，如下：
import akshare as akepidemic_dxy_df = ak.epidemic_dxy(indicator="global") epidemic_dxy_df.to_excel('epidemic_dxy.xlsx')這里獲取的其實(shí)是本次疫情截止小編寫(xiě)這篇文章時(shí)的一個(gè)最新數(shù)據(jù)。
說(shuō)明： epidemic_dxy_df 是一個(gè) DataFrame ，這里直接通過(guò) DataFrame 的 to_excel 進(jìn)行 Excel 導(dǎo)出。
如果不想使用 Excel 的同學(xué)，也可以直接操作 epidemic_dxy_df 這個(gè) DataFrame ，只是每次運(yùn)行的時(shí)候它都要從遠(yuǎn)端拉取數(shù)據(jù)，速度上挺慢的，從本地的 Excel 中讀取數(shù)據(jù)還是會(huì)快很多。
導(dǎo)出的 Excel 小編就簡(jiǎn)單截個(gè)圖，如圖：
可以看到，總共有 66 行的數(shù)據(jù)，數(shù)據(jù)量不大，我們進(jìn)行操作后，可以人工核實(shí)操作數(shù)據(jù)是否正確。
數(shù)據(jù)分組
如果有對(duì) SQL 使用經(jīng)驗(yàn)的同學(xué)來(lái)講，分組這個(gè)詞并不陌生，在 SQL 中的關(guān)鍵字是 group by ，而在 Pandas 中的方法名也十分相似，是 groupby() 。
當(dāng)然，如果對(duì) SQL 不熟悉的同學(xué)也可以參考下 Excel 的分組，都是一樣的。
我們先按照七大洲對(duì)這個(gè)數(shù)據(jù)做一次分組，看下是什么結(jié)果：
可以看到，這里輸出的了一個(gè) DataFrameGroupBy 的內(nèi)存對(duì)象，實(shí)際上這個(gè)對(duì)象中包含了分組后的一些相關(guān)信息，并沒(méi)有直接顯示出來(lái)，我們直接調(diào)用一個(gè)匯總的方法看一下：
print(epidemic_dxy.groupby(['continents']).count())# 輸出內(nèi)容id createTime modifyTime ... operator locationId countryShortCode continents ... 亞洲 26 26 26 ... 26 26 26 其他 1 1 1 ... 1 1 1 北美洲 4 4 4 ... 4 4 4 南美洲 2 2 2 ... 2 2 2 大洋洲 2 2 2 ... 2 2 2 歐洲 27 27 27 ... 27 27 27 非洲 3 3 3 ... 3 3 3count() 的含義是取計(jì)數(shù)，就是當(dāng)前的數(shù)據(jù)有多少條，可以看到，亞洲有 26 條數(shù)據(jù)。
如果我想知道當(dāng)前七大洲的匯總數(shù)據(jù)呢？可以用到 sum() 這個(gè)方法：
因?yàn)樵紨?shù)據(jù)有點(diǎn)多，小編這里將所有的列全展示出來(lái)，可以看到亞洲目前的確診數(shù)量是 5940 ，當(dāng)然，這里不包含中國(guó)的數(shù)據(jù)。
這里的列太多了，很多列并不是我們關(guān)心的，如果我們只關(guān)心幾個(gè)核心的數(shù)據(jù)怎么展示呢？
我們可以先分組，分組后取出我們需要的列，然后再對(duì)列做運(yùn)算，如下：
import pandas as pd# 數(shù)據(jù)導(dǎo)入 epidemic_dxy = pd.read_excel("epidemic_dxy.xlsx")print(epidemic_dxy.groupby(['continents'])['confirmedCount', 'suspectedCount', 'curedCount', 'deadCount'].sum())# 輸出內(nèi)容confirmedCount suspectedCount curedCount deadCount continents 亞洲 5940 0 399 83 其他 705 0 0 6 北美洲 107 0 7 1 南美洲 8 0 0 0 大洋洲 30 0 15 1 歐洲 2199 0 123 36 非洲 4 0 1 0在進(jìn)行數(shù)據(jù)分組的時(shí)候，我們除了可以使用列名進(jìn)行分組，還可以使用 Series 進(jìn)行分組，它與使用列名進(jìn)行分組在使用上沒(méi)有任何不同：
import pandas as pd# 數(shù)據(jù)導(dǎo)入 epidemic_dxy = pd.read_excel("epidemic_dxy.xlsx")print(epidemic_dxy.groupby(epidemic_dxy['continents'])['confirmedCount', 'suspectedCount', 'curedCount', 'deadCount'].sum())# 輸出內(nèi)容confirmedCount suspectedCount curedCount deadCount continents 亞洲 5940 0 399 83 其他 705 0 0 6 北美洲 107 0 7 1 南美洲 8 0 0 0 大洋洲 30 0 15 1 歐洲 2199 0 123 36 非洲 4 0 1 0這里的 epidemic_dxy[‘continents’] 本身就是一個(gè) Series ，可以看到和上面使用列名進(jìn)行分組無(wú)任何不同。
在分組的時(shí)候，除了可以使用一個(gè)列或者 Series ，還可以使用多個(gè)，只需要在 groupby() 的參數(shù)中進(jìn)行添加即可，如下：
我們這里使用了七大洲和國(guó)家進(jìn)行分組，可以看到整個(gè)求和的數(shù)據(jù)集已經(jīng)按照七大洲和國(guó)家求和列出了。
你以為分組到這里就算完了？
nonono，下面還有個(gè)神奇的家伙 —— aggregate() 。
aggregate() 這個(gè)方法是做什么的呢？
如果我們想在一次分組中，進(jìn)行兩次匯總運(yùn)算，那么，就要用到這個(gè)函數(shù)了，比如，我想在剛才的數(shù)據(jù)中先計(jì)數(shù)，在求和，那么可以這么寫(xiě)：
怎么樣，是不是很神奇，左邊是計(jì)數(shù)，右邊是求和。
不過(guò)有一點(diǎn)要注意下，在我們對(duì)數(shù)據(jù)進(jìn)行分組運(yùn)算完成后，有時(shí)候會(huì)需要對(duì)數(shù)據(jù)進(jìn)行進(jìn)一步的處理，由于分組運(yùn)算后的結(jié)果并不是標(biāo)準(zhǔn)的 DataFrame 形式，需要我們對(duì)它進(jìn)行進(jìn)一步的轉(zhuǎn)化，這里用到的方法就是重置索引 reset_index() 。
import pandas as pd# 數(shù)據(jù)導(dǎo)入 epidemic_dxy = pd.read_excel("epidemic_dxy.xlsx")new_dataframe = epidemic_dxy.groupby(epidemic_dxy['continents'])['confirmedCount', 'suspectedCount', 'curedCount', 'deadCount'].sum().reset_index()print(new_dataframe)# 輸出內(nèi)容continents confirmedCount suspectedCount curedCount deadCount 0 亞洲 5940 0 399 83 1 其他 705 0 0 6 2 北美洲 107 0 7 1 3 南美洲 8 0 0 0 4 大洋洲 30 0 15 1 5 歐洲 2199 0 123 36 6 非洲 4 0 1 0這樣，我們就得到了一個(gè)新的 DataFrame ，可以在這個(gè)新的 DataFrame 進(jìn)行新的騷操作了。
本篇的內(nèi)容到這里才算結(jié)束，各位看更的同學(xué)，記得要手寫(xiě)代碼哦~~~
總結(jié)
以上是生活随笔為你收集整理的小白学 Python 数据分析（7）：Pandas 数据分组的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。
- 上一篇： Fabrice Bellard
- 下一篇： 国内这么多“ChatGPT”是真是假