pandas.DataFrame.groupby
pandas提供了一个灵活高效的groupby功能,它使你能以一种自然的方式对数据集进行切片、切块、摘要等操作。根据一个或多个键(可以是函数、数组或DataFrame列名)拆分pandas对象。计算分组摘要统计,如计数、平均值、标准差,或用户自定义函数。对DataFrame的列应用各种各样的函数。应用组内转换或其他运算,如规格化、线性回归、排名或选取子集等。计算透视表或交叉表。执行分位数分析以及其他分组分析。
DataFrame.
groupby
(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False,**kwargs)[source]
Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.
Parameters: |
by : mapping, function, str, or iterable
axis : int, default 0 level : int, level name, or sequence of such, default None
as_index : boolean, default True
sort : boolean, default True
group_keys : boolean, default True
squeeze : boolean, default False
|
---|---|
Returns: |
GroupBy object |
Examples
DataFrame results
>>> data.groupby(func, axis=0).mean() >>> data.groupby(['col1', 'col2'])['col3'].mean()
DataFrame with hierarchical index
>>> data.groupby(['col1', 'col2']).mean()
1、首先来看看下面这个非常简单的表格型数据集(以DataFrame的形式):
1
2
3
4
5
6
7
8
9
10
11
12
|
>>> import pandas as pd
>>> 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 )})
>>> df
data1 data2 key1 key2
0 - 0.410673 0.519378 a one
1 - 2.120793 0.199074 a two
2 0.642216 - 0.143671 b one
3 0.975133 - 0.592994 b two
4 - 1.017495 - 0.530459 a one
|
假设你想要按key1进行分组,并计算data1列的平均值,我们可以访问data1,并根据key1调用groupby:
1
2
3
|
>>> grouped = df[ 'data1' ].groupby(df[ 'key1' ])
>>> grouped
<pandas.core.groupby.SeriesGroupBy object at 0x04120D70 >
|
变量grouped是一个GroupBy对象,它实际上还没有进行任何计算,只是含有一些有关分组键df['key1']的中间数据而已,然后我们可以调用GroupBy的mean方法来计算分组平均值:
1
2
3
4
5
|
>>> grouped.mean()
key1
a - 1.182987
b 0.808674
dtype: float64
|
说明: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。之所以结果中索引的名称为key1,是因为原始DataFrame的列df['key1']就叫这个名字。
2、如果我们一次传入多个数组,就会得到不同的结果:
1
2
3
4
5
6
7
8
|
>>> means = df[ 'data1' ].groupby([df[ 'key1' ], df[ 'key2' ]]).mean()
>>> means
key1 key2
a one - 0.714084
two - 2.120793
b one 0.642216
two 0.975133
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):
1
2
3
4
5
|
>>> means.unstack()
key2 one two
key1
a - 0.714084 - 2.120793
b 0.642216 0.975133
|
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:
1
2
3
4
5
6
7
8
|
>>> states = np.array([ 'Ohio' , 'California' , 'California' , 'Ohio' , 'Ohio' ])
>>> years = np.array([ 2005 , 2005 , 2006 , 2005 , 2006 ])
>>> df[ 'data1' ].groupby([states, years]).mean()
California 2005 - 2.120793
2006 0.642216
Ohio 2005 0.282230
2006 - 1.017495
dtype: float64
|
3、此外,你还可以将列名(可以是字符串、数字或其他Python对象)用作分组将:
1
2
3
4
5
6
7
8
9
10
11
12
|
>>> df.groupby( 'key1' ).mean()
data1 data2
key1
a - 1.182987 0.062665
b 0.808674 - 0.368333
>>> df.groupby([ 'key1' , 'key2' ]).mean()
data1 data2
key1 key2
a one - 0.714084 - 0.005540
two - 2.120793 0.199074
b one 0.642216 - 0.143671
two 0.975133 - 0.592994
|
说明:在执行df.groupby('key1').mean()时,结果中没有key2列。这是因为df['key2']不是数值数据,所以被从结果中排除了。默认情况下,所有数值列都会被聚合,虽然有时可能会被过滤为一个子集。
无论你准备拿groupby做什么,都有可能会用到GroupBy的size方法,它可以返回一个含有分组大小的Series:
1
2
3
4
5
6
7
|
>>> df.groupby([ 'key1' , 'key2' ]).size()
key1 key2
a one 2
two 1
b one 1
two 1
dtype: int64
|
注意:分组键中的任何缺失值都会被排除在结果之外。
4、对分组进行迭代
GroupBy对象支持迭代,可以产生一组二元元组(由分组名和数据块组成)。看看下面这个简单的数据集:
1
2
3
4
5
6
7
8
9
10
11
12
13
|
>>> for name, group in df.groupby( 'key1' ):
... print (name)
... print (group)
...
a
data1 data2 key1 key2
0 - 0.410673 0.519378 a one
1 - 2.120793 0.199074 a two
4 - 1.017495 - 0.530459 a one
b
data1 data2 key1 key2
2 0.642216 - 0.143671 b one
3 0.975133 - 0.592994 b two
|
对于多重键的情况,元组的第一个元素将会是由键值组成的元组:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
>>> for (k1, k2), group in df.groupby([ 'key1' , 'key2' ]):
... print k1, k2
... print group
...
a one
data1 data2 key1 key2
0 - 0.410673 0.519378 a one
4 - 1.017495 - 0.530459 a one
a two
data1 data2 key1 key2
1 - 2.120793 0.199074 a two
b one
data1 data2 key1 key2
2 0.642216 - 0.143671 b one
b two
data1 data2 key1 key2
3 0.975133 - 0.592994 b two
|
当然,你可以对这些数据片段做任何操作。有一个你可能会觉得有用的运算:将这些数据片段做成一个字典:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
>>> pieces = dict ( list (df.groupby( 'key1' )))
>>> pieces[ 'b' ]
data1 data2 key1 key2
2 0.642216 - 0.143671 b one
3 0.975133 - 0.592994 b two
>>> df.groupby( 'key1' )
<pandas.core.groupby.DataFrameGroupBy object at 0x0413AE30 >
>>> list (df.groupby( 'key1' ))
[( 'a' , data1 data2 key1 key2
0 - 0.410673 0.519378 a one
1 - 2.120793 0.199074 a two
4 - 1.017495 - 0.530459 a one), ( 'b' , data1 data2 key1 key2
2 0.642216 - 0.143671 b one
3 0.975133 - 0.592994 b two)]
|
groupby默认是在axis=0上进行分组的,通过设置也可以在其他任何轴上进行分组。那上面例子中的df来说,我们可以根据dtype对列进行分组:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
>>> df.dtypes
data1 float64
data2 float64
key1 object
key2 object
dtype: object
>>> grouped = df.groupby(df.dtypes, axis = 1 )
>>> dict ( list (grouped))
{dtype( 'O' ): key1 key2
0 a one
1 a two
2 b one
3 b two
4 a one, dtype( 'float64' ): data1 data2
0 - 0.410673 0.519378
1 - 2.120793 0.199074
2 0.642216 - 0.143671
3 0.975133 - 0.592994
4 - 1.017495 - 0.530459 }
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
>>> grouped
<pandas.core.groupby.DataFrameGroupBy object at 0x041288F0 >
>>> list (grouped)
[(dtype( 'float64' ), data1 data2
0 - 0.410673 0.519378
1 - 2.120793 0.199074
2 0.642216 - 0.143671
3 0.975133 - 0.592994
4 - 1.017495 - 0.530459 ), (dtype( 'O' ), key1 key2
0 a one
1 a two
2 b one
3 b two
4 a one)]
|
5、选取一个或一组列
对于由DataFrame产生的GroupBy对象,如果用一个(单个字符串)或一组(字符串数组)列名对其进行索引,就能实现选取部分列进行聚合的目的,即:
1
2
3
4
5
6
|
>>> df.groupby( 'key1' )[ 'data1' ]
<pandas.core.groupby.SeriesGroupBy object at 0x06615FD0 >
>>> df.groupby( 'key1' )[ 'data2' ]
<pandas.core.groupby.SeriesGroupBy object at 0x06615CB0 >
>>> df.groupby( 'key1' )[[ 'data2' ]]
<pandas.core.groupby.DataFrameGroupBy object at 0x06615F10 >
|
和以下代码是等效的:
1
2
3
4
5
6
|
>>> df[ 'data1' ].groupby([df[ 'key1' ]])
<pandas.core.groupby.SeriesGroupBy object at 0x06615FD0 >
>>> df[[ 'data2' ]].groupby([df[ 'key1' ]])
<pandas.core.groupby.DataFrameGroupBy object at 0x06615F10 >
>>> df[ 'data2' ].groupby([df[ 'key1' ]])
<pandas.core.groupby.SeriesGroupBy object at 0x06615E30 >
|
尤其对于大数据集,很可能只需要对部分列进行聚合。例如,在前面那个数据集中,如果只需计算data2列的平均值并以DataFrame形式得到结果,代码如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
>>> df.groupby([ 'key1' , 'key2' ])[[ 'data2' ]].mean()
data2
key1 key2
a one - 0.005540
two 0.199074
b one - 0.143671
two - 0.592994
>>> df.groupby([ 'key1' , 'key2' ])[ 'data2' ].mean()
key1 key2
a one - 0.005540
two 0.199074
b one - 0.143671
two - 0.592994
Name: data2, dtype: float64
|
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(如果传入的是标量形式的单个列明):
1
2
3
4
5
6
7
8
9
10
|
>>> s_grouped = df.groupby([ 'key1' , 'key2' ])[ 'data2' ]
>>> s_grouped
<pandas.core.groupby.SeriesGroupBy object at 0x06615B10 >
>>> s_grouped.mean()
key1 key2
a one - 0.005540
two 0.199074
b one - 0.143671
two - 0.592994
Name: data2, dtype: float64
|
6、通过字典或Series进行分组
除数组以外,分组信息还可以其他形式存在,来看一个DataFrame示例:
1
2
3
4
5
6
7
8
9
10
11
12
|
>>> people = pd.DataFrame(np.random.randn( 5 , 5 ),
... columns = [ 'a' , 'b' , 'c' , 'd' , 'e' ],
... index = [ 'Joe' , 'Steve' , 'Wes' , 'Jim' , 'Travis' ]
... )
>>> people
a b c d e
Joe 0.306336 - 0.139431 0.210028 - 1.489001 - 0.172998
Steve 0.998335 0.494229 0.337624 - 1.222726 - 0.402655
Wes 1.415329 0.450839 - 1.052199 0.731721 0.317225
Jim 0.550551 3.201369 0.669713 0.725751 0.577687
Travis - 2.013278 - 2.010304 0.117713 - 0.545000 - 1.228323
>>> people.ix[ 2 : 3 , [ 'b' , 'c' ]] = np.nan
|
假设已知列的分组关系,并希望根据分组计算列的总计:
1
2
3
4
5
6
|
>>> mapping = { 'a' : 'red' , 'b' : 'red' , 'c' : 'blue' ,
... 'd' : 'blue' , 'e' : 'red' , 'f' : 'orange' }
>>> mapping
{ 'a' : 'red' , 'c' : 'blue' , 'b' : 'red' , 'e' : 'red' , 'd' : 'blue' , 'f' : 'orange' }
>>> type (mapping)
< type 'dict' >
|
现在,只需将这个字典传给groupby即可:
1
2
3
4
5
6
7
8
9
10
|
>>> by_column = people.groupby(mapping, axis = 1 )
>>> by_column
<pandas.core.groupby.DataFrameGroupBy object at 0x066150F0 >
>>> by_column. sum ()
blue red
Joe - 1.278973 - 0.006092
Steve - 0.885102 1.089908
Wes 0.731721 1.732554
Jim 1.395465 4.329606
Travis - 0.427287 - 5.251905
|
Series也有同样的功能,它可以被看做一个固定大小的映射。对于上面那个例子,如果用Series作为分组键,则pandas会检查Series以确保其索引跟分组轴是对齐的:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
>>> map_series = pd.Series(mapping)
>>> map_series
a red
b red
c blue
d blue
e red
f orange
dtype: object
>>> people.groupby(map_series, axis = 1 ).count()
blue red
Joe 2 3
Steve 2 3
Wes 1 2
Jim 2 3
Travis 2 3
|
7、通过函数进行分组
相较于字典或Series,Python函数在定义分组映射关系时可以更有创意且更为抽象。任何被当做分组键的函数都会在各个索引值上被调用一次,其返回值就会被用作分组名称。
具体点说,以DataFrame为例,其索引值为人的名字。假设你希望根据人名的长度进行分组,虽然可以求取一个字符串长度数组,但其实仅仅传入len函数即可:
1
2
3
4
5
|
>> people.groupby( len ). sum ()
a b c d e
3 2.272216 3.061938 0.879741 - 0.031529 0.721914
5 0.998335 0.494229 0.337624 - 1.222726 - 0.402655
6 - 2.013278 - 2.010304 0.117713 - 0.545000 - 1.228323
|
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:
1
2
3
4
5
6
7
|
>>> key_list = [ 'one' , 'one' , 'one' , 'two' , 'two' ]
>>> people.groupby([ len , key_list]). min ()
a b c d e
3 one 0.306336 - 0.139431 0.210028 - 1.489001 - 0.172998
two 0.550551 3.201369 0.669713 0.725751 0.577687
5 one 0.998335 0.494229 0.337624 - 1.222726 - 0.402655
6 two - 2.013278 - 2.010304 0.117713 - 0.545000 - 1.228323
|
8、根据索引级别分组
层次化索引数据集最方便的地方在于它能够根据索引级别进行聚合。要实现该目的,通过level关键字传入级别编号或名称即可:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
>>> columns = pd.MultiIndex.from_arrays([[ 'US' , 'US' , 'US' , 'JP' , 'JP' ],
... [ 1 , 3 , 5 , 1 , 3 ]], names = [ 'cty' , 'tenor' ])
>>> columns
MultiIndex
[US 1 , 3 , 5 , JP 1 , 3 ]
>>> hier_df = pd.DataFrame(np.random.randn( 4 , 5 ), columns = columns)
>>> hier_df
cty US JP
tenor 1 3 5 1 3
0 - 0.166600 0.248159 - 0.082408 - 0.710841 - 0.097131
1 - 1.762270 0.687458 1.235950 - 1.407513 1.304055
2 1.089944 0.258175 - 0.749688 - 0.851948 1.687768
3 - 0.378311 - 0.078268 0.247147 - 0.018829 0.744540
>>> hier_df.groupby(level = 'cty' , axis = 1 ).count()
cty JP US
0 2 3
1 2 3
2 2 3
3 2 3
|
转载。原文:http://blog.csdn.net/leonis_v/article/details/51832916
pandas.DataFrame.groupby相关推荐
- Pandas DataFrame GroupBy.Apply
https://pandas.pydata.org/docs/reference/api/pandas.core.groupby.GroupBy.apply.html?highlight=apply# ...
- python的dataframe的groupby_python pandas.DataFrame.groupby()方法详解
文章目录 DataFrame.groupby()概览应用举例 概览内容参考自官方文档详情应用参考文档 DataFrame.groupby()概览 DataFrame.groupby(self, by= ...
- 【debug】Python pandas dataframe.groupby().sum不显示结果,只显示groupby中的条件列
简单介绍 在使用pandas的groupby功能时,输出的结果只显示了用于筛选的groupby中的条件列,而不显示最后sum加总的结果 import pandas as pddf.columns = ...
- Pandas DataFrame: groupby agg的使用
@创建于:2022.07.01 @修改于:2022.07.01,2022.07.09 文章目录 1.构建样例数据(无Null值和有Null值) 2.agg常见聚合函数 3.agg匿名聚合函数 4.ag ...
- 分组统计 - DataFrame.groupby() 所见的各种用法 - Python代码
目录 所见 1 :日常用法 所见 2 :解决groupby.sum() 后层级索引levels上移的问题 所见 3 :解决groupby.apply() 后层级索引levels上移的问题 所见 4 : ...
- 熊猫DataFrame groupby()函数
1.熊猫groupby()函数 (1. Pandas groupby() function) Pandas DataFrame groupby() function is used to group ...
- python boxplot用法_python pandas DataFrame.boxplot用法及代码示例
从DataFrame列制作箱形图. 从DataFrame列制作box-and-whisker图,可以选择按其他一些列进行分组.箱形图是一种通过四分位数以图形方式描绘数字数据组的方法.该框从数据的Q1四 ...
- pandas使用groupby函数计算dataframe数据中每个分组的N个数值的指数权重移动(滚动)平均、例如,计算某公司的多个店铺每N天(5天)的滚动销售额指数权重移动(滚动)平均
pandas使用groupby函数计算dataframe数据中每个分组的N个数值的指数权重移动(滚动)平均(Exponential Moving Average).例如,计算某公司的多个店铺每N天(5 ...
- pandas使用groupby函数计算dataframe数据中每个分组的N个数值的滚动最大值(rolling max)、例如,计算某公司的多个店铺每N天(5天)的滚动销售额最大值
pandas使用groupby函数计算dataframe数据中每个分组的N个数值的滚动最大值(rolling max).例如,计算某公司的多个店铺每N天(5天)的滚动销售额最大值 目录
最新文章
- 数据库大型应用解决方案总结(转)
- GO语言实现RSA 加密和解密的实现
- 攻防世界 Web进阶(一)
- spring 学习总结
- 好书推荐之《活着》 隐私策略(Privacy policy)
- Linux 练习题-3文件与磁盘 问答
- SpringCloud Feign注解导入失败
- LeetCode OJ 160. Intersection of Two Linked Lists
- 【Win32 API学习】模拟键盘输入和鼠标输入
- 阿里矢量图库 当前页全选
- 5年500台达芬奇手术,和睦家实现技术升级
- 1.0 Android基础入门教程
- Actor-Critic:强化学习中的参与者-评价者算法简介
- Gym - 101177K Kiwis vs Kangaroos 水题手动打表
- 开放式耳机新巅峰!南卡OE Pro兼备澎湃音质、舒适佩戴、创新设计
- 感动世界的50首歌和他们背后的故事3
- 我的博客也开通了,誓要戒骄,戒躁,每天学习,每天总结
- 好分数一个等第是什么意思_DPI是什么意思 鼠标DPI越高越好吗?
- python从入门到实践19章答案
- windows NTFS文件系统手动数据恢复
热门文章
- Qt新建项目No valid kits found解决思路
- mySQL Slow Query Log Rotation(慢查询日志轮循设置)
- eclipse运行 Maven Test命令时控制台输出乱码的解决办法
- 4月份阿里云ECS和VPC升级公告
- 工程路径网站图片路径的问题 绝对路径
- 录制元素基于smartgwt框架项目如何开展自动化(一)
- 如何设置VSS源代码管理工具使用KDiff3
- GO小知识之实例演示 json 如何转化为 map 和 struct
- 《C语言程序设计:问题与求解方法》——3.8节不同类型数据之间的类型转换
- CentOS卸载Apache Mysql 和php