Python groupby函數圖文詳解

一、分組原理

核心:

1、不論分組鍵是數組、列表、字典、Series、函數,隻要其與待分組變量的軸長度一致都可以傳入groupby進行分組。

2、默認axis=0按行分組,可指定axis=1對列分組。

groupby()語法格式

DataFrame.groupby(by=None, axis=0, level=None, as_index=True, group_keys=True, squeeze=False,  observed=False, **kwargs)

groupby原理

groupby就是按XX分組,比如將一個數據集按A進行分組,效果如下

使用groupby實現功能

import numpy as np
import pandas as pd
 
data = pd.DataFrame({
    'name': ['Tom', 'Kaggle', 'Litter', 'Sam', 'Sam', 'Sam'],
    'race': ['B', 'C', 'D', 'E', 'B', 'C'],
    'age': [37.0, 61.0, 56.0, 87.0, 58.0, 34.0],
    'signs_of_mental_illness': [True, True, False, False, False, False]
})
 
data.groupby('race')

 返回結果如上  得到一個叫DataFrameGroupBy的東西,pandas不能直接顯示出來 可以調用list顯示出來

groupby()的配合函數 函數 適用場景備註.mean()均值.count()計數.min()最小值.mean().unstack()求均值,聚合表的層次索引不堆疊.size()計算分組大小GroupBy的size方法,將返回一個含有分組大小的Series.apply().agg()

這裡演示.mean()和.count()

# mean()
data.groupby('name')['age'].mean()
# count()
data.groupby('name')['age'].count()
data.groupby('age').count()

 也可以根據單鍵多列進行聚合

# 單鍵多列聚合
data.groupby('name')[['race','age',]].count()

 .agg操作 可以取多個函數進行選擇 有時候我們既需要平均值,有需要計數(也可是取一個)

agg為列表

print(data.groupby('name')['age'].agg(['mean']))
 
print(data.groupby('name')['age'].agg(['mean','count']))

也可以傳入字典,對組內不同列采取不同的操作

print(data.groupby('race').agg({'age': np.median, 'signs_of_mental_illness': np.mean}))

.apply()

可以使用我們自己所創建的函數

print('apply之前')
grouped = data.groupby('name')
for name, group in grouped:
    print(name)
    print(group)
print('\n')
print('apply之後')
print(data.groupby('name').apply(lambda x: x.head(2)))

 簡單操作基本介紹完成

有時候需要將聚合的另一列放到一起 並且取消鍵的重復值 這個時候可以這樣做

上面是構建的數據,需要對訂購時間進行處理,這裡我們是將月份+天數/30,然後對ID列進行去重,並將後面Time列計算的結果放到一起

import numpy as np
import pandas as pd
 
 
data = pd.read_excel('訂購時間預測2.xlsx')
def cut_m_d(x):
	return round(x.month + x.day / 30, 2)
 
data['m_d'] = data['Time'].apply(cut_m_d)
grouped = data.groupby('ID')
# 這一步是去重(ID),不去重會出現錯誤
result = grouped['m_d'].unique()
result2 = result.reset_index()
print(result2)

總結

到此這篇關於Python groupby函數詳解的文章就介紹到這瞭,更多相關groupby函數詳解內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!

推薦閱讀: