【博客地址】：https://blog.csdn.net/sunyaowu315
【博客大綱地址】：https://blog.csdn.net/sunyaowu315/article/details/82905347

---

python：GroupBy：數(shù)據(jù)聚合與分組運(yùn)算

目錄：

文章目錄

• • 目錄： @[toc]
  • • 一 GroupBy技術(shù)
    • • 1 對分組進(jìn)行迭代
      • 2 選取一個或一組列
      • 3 通過字典或Series進(jìn)行分組
      • 4 通過函數(shù)進(jìn)行分組
      • 5 根據(jù)索引級別進(jìn)行分組
    • 二 數(shù)據(jù)聚合
    • • 1 面向列的多函數(shù)應(yīng)用
      • 2 以“無索引”形式返回聚合數(shù)據(jù)
    • 三 分組級運(yùn)算和轉(zhuǎn)換
    • • 1 apply：一般性的“拆分-應(yīng)用-合并”
      • 2 分位數(shù)和桶分析
      • • 1）示例：用特定分組的值填充缺失值
        • 2）示例：隨機(jī)采樣和排列
        • 3）示例：分組加權(quán)平均數(shù)和相關(guān)系數(shù)
        • 4）示例：面向分組的線性回歸
    • 四 透視表和交叉表
    • • 1 透視表
      • 2 交叉表
    • 五 END

• 對數(shù)據(jù)集進(jìn)行分組并對各組應(yīng)用一個函數(shù)（無論是聚合還是轉(zhuǎn)換），這是數(shù)據(jù)分析工作中的重要環(huán)節(jié)。在將數(shù)據(jù)集準(zhǔn)備好之后，通常的任務(wù)就是計(jì)算分組統(tǒng)計(jì)或生成透視表。pandas提供了一個靈活的groupby功能，它能夠以一種自然的方式對數(shù)據(jù)集進(jìn)行切片、切塊、摘要等操作。
• 關(guān)系型數(shù)據(jù)庫和SQL能夠流行的原因之一就是能夠方便地對數(shù)據(jù)進(jìn)行連接、過濾、轉(zhuǎn)換和聚合等。
• python和pandas強(qiáng)大的能力，有助于執(zhí)行更復(fù)雜的分組運(yùn)算，如：
  • 根據(jù)一個或多個鍵（可以是函數(shù)、數(shù)組或DataFrame列名）拆分pandas對象
  • 計(jì)算分組摘要統(tǒng)計(jì)，如計(jì)數(shù)、平均值、標(biāo)準(zhǔn)差或用戶自定義函數(shù)
  • 對DataFrame的列應(yīng)用各種各樣的函數(shù)
  • 應(yīng)用組內(nèi)轉(zhuǎn)換或其他函數(shù)，如規(guī)格化、線性回歸、排名或選取子集等
  • 計(jì)算透視表或交叉表等
  • 執(zhí)行分位數(shù)分析以及其他分組分析

一 GroupBy技術(shù)

• split-apply-combine（拆分-應(yīng)用-合并），基本描述了groupby的整個過程。分組運(yùn)算的第一個階段，pandas對象中的數(shù)據(jù)會根據(jù)提供的鍵被拆分為多組，拆分操作是在對象的特定軸上執(zhí)行的；然后將一個函數(shù)應(yīng)用在各個分組并產(chǎn)生一個新值；最后，所有這些函數(shù)的執(zhí)行結(jié)果會被合并到最終的結(jié)果對象中。
• 分組鍵可以有多種形式，且類型不必相同：
  • 列表或數(shù)組，其長度與待分組的軸一樣
  • 表示DataFrame某個列名的值
  • 字典或Series，給出待分組軸上的值與分組名之間的對應(yīng)關(guān)系
  • 函數(shù)，用于處理軸索引或索引中的各個標(biāo)簽
• 分組產(chǎn)生的變量grouped是一個GroupBy對象，實(shí)際上還沒有進(jìn)行任何計(jì)算，只是含有一些有關(guān)分組鍵的中間數(shù)據(jù)。換句話說，該對象已經(jīng)有了接下來對各分組執(zhí)行運(yùn)算所需的一切信息。數(shù)據(jù)Series根據(jù)分組鍵進(jìn)行了聚合，產(chǎn)生了一個新的Series
• 如果通過兩個鍵對數(shù)據(jù)進(jìn)行分組，得到的Series具有一個層次化索引
• 分組鍵可以為Series，也可以是任意長度的數(shù)組，還可以是列名
• 分組過程中的“麻煩列”會在結(jié)果中被踢出。默認(rèn)情況下，所有數(shù)值列都會被聚合，雖然有時可能會被過濾為一個子集。
• 無論準(zhǔn)備拿groupby干啥，都可能會用到groupby的size方法，它可以返回一個含有分組大小的Series

1 對分組進(jìn)行迭代

• GroupBy對象支持迭代，可以產(chǎn)生一組二元元組（由分組名和數(shù)據(jù)塊組成）

for name,group in df.groupby(key1) print(name) print(group)

• 對于多重鍵的情況，元組的第一個元素將會是由鍵值組成的元組

for (k1,k2) ,group in df.groupby(['key1','key2']) print(k1,k2) print(group)

• 也可以對這些數(shù)據(jù)片段進(jìn)行任何操作，例如：將這些數(shù)據(jù)片段做成一個字典：

pieces = dict(list(df.groupby('key1'))) peices['b']

• groupby默認(rèn)是在axis = 0上進(jìn)行分組的，也可以設(shè)置在其他任何軸上進(jìn)行分組

2 選取一個或一組列

• 對于由DataFrame產(chǎn)生的groupby對象，如果用一個或一組列名對其進(jìn)行索引，就能實(shí)現(xiàn)選取部分列進(jìn)行聚合的目的。尤其對于大數(shù)據(jù)集，很可能只需要對部分列進(jìn)行聚合。

df.groupby(['key1','key2'])[['data2']].mean()

3 通過字典或Series進(jìn)行分組

• 通過字典分組只需要將這個字典傳給groupby即可

people = DataFrame(np.random.randn(5,5),columns = ['a','b','c','d','e'],idnex = ['joe','steve','wes','jim','travis']) people.ix[2:3,['b','c']] = np.nan #添加幾個缺失值 mapping = {'a':'red','b':'red','c':'blue','d':'blue','e':'red','f':'orange'} by_column = people.groupby(mapping,axis = 1)

• Series也有同樣的功能，它可以被看做一個固定大小的映射，pandas會檢查Series以確保其索引跟分組軸是對齊的。

4 通過函數(shù)進(jìn)行分組

• 相較于字典或Series，python函數(shù)在定義分組映射關(guān)系時可以更有創(chuàng)意且更為抽象。任何被當(dāng)做分組鍵的函數(shù)都會在各個索引值上被調(diào)用一次，其返回值就會被用作分組名稱。
• 將函數(shù)跟數(shù)組、列表、字典、Series混合使用也可以，因?yàn)槿魏螙|西最終會被轉(zhuǎn)換為數(shù)組。

5 根據(jù)索引級別進(jìn)行分組

• 層次化索引數(shù)據(jù)集最方便的地方就在于它能夠根據(jù)索引級別進(jìn)行聚合。要實(shí)現(xiàn)該目的，通過leve關(guān)鍵字傳入級別編號或名稱即可。

columns = pd.MultiIndex.form_arrays([['US','US','US','JP','JP'],[1,3,5,1,3]],names = ['cty','tenor']) hier_df = DataFrame(np.random.randn(4,5),columns = columns) hier_df.groupby(level = 'cyt',axis = 1).count

---

二 數(shù)據(jù)聚合

• 對于聚合，指的是任何能夠從數(shù)組產(chǎn)生標(biāo)量值的數(shù)據(jù)轉(zhuǎn)換過程。許多常見的諸如mean、sum、count、min等聚合運(yùn)算都有就地計(jì)算數(shù)據(jù)集統(tǒng)計(jì)信息的優(yōu)化實(shí)現(xiàn)。然后，并不只能使用這些方法，可以使用自己發(fā)明的聚合運(yùn)算，還可以調(diào)用分組對象上已經(jīng)定義好的任何方法。
• 如果要使用自己定義的聚合函數(shù)，只需將其傳入aggregate或agg方法即可
• 經(jīng)過優(yōu)化的groupby方法：
  • count # 分組中非NA值得數(shù)量
  • sum # 非NA值的和
  • mean # 非NA值的平均數(shù)
  • median # 非NA值的算術(shù)中位數(shù)
  • std、var # 無偏標(biāo)準(zhǔn)差和方差
  • min、max # 非NA值的最小值和最大值
  • prod # 非NA值的積
  • first、last # 第一個和最后一個非NA值
• 有些方法也可以用在這里，但嚴(yán)格來講，它們并非聚合運(yùn)算。

1 面向列的多函數(shù)應(yīng)用

• 對Series或DataFrame列的聚合運(yùn)算其實(shí)就是使用aggregate（使用自定義函數(shù)）或調(diào)用諸如mean、std之類的方法。然后，可以對不同的列使用不同的聚合函數(shù)，或一次應(yīng)用多個函數(shù)。
• 如果傳入一組函數(shù)或函數(shù)名，得到的DataFrame的列就會以相應(yīng)的函數(shù)命名
• 并非一定要接受groupby給出的列名，特別是lambda函數(shù)，辨識度很低。如果傳入的是一個由(name,function)元組組成的列表，則各元組的第一個元素就會被用作DataFrame的列名（可以將二元元組看做一個有序映射）。
• 對于DataFrame，還可以定義一個應(yīng)用于全部列的函數(shù)，或不同的列應(yīng)用不同的函數(shù)。如果DataFrame擁有層次化的列，相當(dāng)于分別對各列進(jìn)行聚合，然后用concat將結(jié)果組合在一起（列名用作keys參數(shù)）。
• 想要對不同的列應(yīng)用不同的函數(shù)，具體的方法是向agg傳入一個列名映射到函數(shù)的字典。

2 以“無索引”形式返回聚合數(shù)據(jù)

• 可以向groupby傳入as_index = False以禁用由分組鍵組成的索引這一功能。對結(jié)果調(diào)用reset_index也能得到這種形式的結(jié)果。

---

三 分組級運(yùn)算和轉(zhuǎn)換

• 聚合只不過是分組運(yùn)算的其中一種而已。它是數(shù)據(jù)轉(zhuǎn)換的一個 特例，也就是說，它接受能夠?qū)⒁痪S數(shù)組簡化為標(biāo)量值的函數(shù)。
• transform和apply方法，能夠執(zhí)行更多其他的分組運(yùn)算。

1 apply：一般性的“拆分-應(yīng)用-合并”

• 跟aggregate一樣，transform也是一個有著嚴(yán)格條件的特殊函數(shù)：傳入的函數(shù)只能產(chǎn)生兩種結(jié)果，要么產(chǎn)生一個可以廣播的標(biāo)量值，要么產(chǎn)生一個相同大小的結(jié)果數(shù)組。最一般化的groupby方法是apply，apply會將待處理的對象拆分成多個片段，然后對各片段調(diào)用傳入的函數(shù)，最后嘗試將各片段組合到一起。
• 如果傳給apply的函數(shù)能夠接受其他參數(shù)或關(guān)鍵字，則可以將這些內(nèi)容放在函數(shù)名后面一并傳入。

tips.groupby(['smoker','day']).apply(top,n = 1,column = 'tptal_bill')

• 除一些基本用法外，能否充分發(fā)揮apply的威力很大程度上取決于你的創(chuàng)造力。傳入的那個函數(shù)能做什么全由你說了算，它只需要返回一個pandas對象或標(biāo)量值即可。

result = tips.groupby('smoker')['tip_pit'].describe()

• 禁止分組鍵

2 分位數(shù)和桶分析

• pandas有一些能夠根據(jù)指定面元或樣本分位數(shù)將數(shù)據(jù)拆分成多塊的工具（比如cut或qcut）。將這些函數(shù)跟groupby結(jié)合起來，就能非常輕松地實(shí)現(xiàn)對數(shù)據(jù)集的桶（bucket）或分位數(shù)（quantile）分析

1）示例：用特定分組的值填充缺失值

2）示例：隨機(jī)采樣和排列

3）示例：分組加權(quán)平均數(shù)和相關(guān)系數(shù)

4）示例：面向分組的線性回歸

---

四 透視表和交叉表

1 透視表

• 透視表（pivot_table）是各種電子表格 程序和其他數(shù)據(jù)分析軟件中一種常見的數(shù)據(jù)匯總工具。它根據(jù)一個或多個鍵對數(shù)據(jù)進(jìn)行聚合，并根據(jù)行和列上的分組鍵將數(shù)據(jù)分配到各個矩形區(qū)域中。在python和pandas中，可以通過groupby功能以及層次化索引的重塑運(yùn)算制作透視表。DataFrame有一個pivot_table方法，此外還有一個頂級的pandas.pivot_table函數(shù)。除能為groupby提供便利外，pivot_table還可以添加分項(xiàng)小計(jì)。
• pivot_table的參數(shù)
  • ① values # 待聚合的列的名稱，默認(rèn)聚合所有數(shù)值列
  • ② rows # 用于分組的列名和其他分組鍵，出現(xiàn)在結(jié)果透視表的行
  • ③ cols # 用于分組的列名或其他分組鍵，出現(xiàn)在結(jié)果透視表的列
  • ④ aggfunc # 聚合函數(shù)或函數(shù)列表，默認(rèn)為mean，可以是任何對groupby有效的函數(shù)
  • ⑤ fill_value # 用于替換結(jié)果表中的缺失值
  • ⑥ margins # 添加行、列小計(jì)和總計(jì)，默認(rèn)為False

tips.pivot_table('tip_pct',rows = ['sex','smoker'],cols = 'day',aggfunc = len,margins = True)

2 交叉表

• 交叉表（crosstab）是一種用于計(jì)算分組頻率的特殊透視表
• 假設(shè)我們想要根據(jù)某兩個特征對數(shù)據(jù)進(jìn)行匯統(tǒng)計(jì)匯總，雖然pivot_table可以實(shí)現(xiàn)該功能，但pandas.crosstab函數(shù)會更加方便。

---

五 END

總結(jié)

以上是生活随笔為你收集整理的【Python】GroupBy：数据聚合与分组运算的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。