Pandas分组聚合详解 | 轻松玩转Pandas(9)

2018年7月31日16:28:44 发表评论 68

教你学会 Pandas 不是我的目的,教你轻松玩转 Pandas 才是我的目的。我会通过一系列实例来带入 Pandas 的知识点,让你在学习 Pandas 的路上不再枯燥。

声明:我所写的轻松玩转 Pandas 教程都是免费的,如果对你有帮助,你可以持续关注我。

数据分析过程中,最常见的一个场景莫过于分组统计了,这个也是学习 Pandas 的一个核心功能。我们一起来看一看吧。

# 导入相关库
import numpy as np
import pandas as pd
index = pd.Index(data=["Tom", "Bob", "Mary", "James", "Andy", "Alice"], name="name")

data = {
    "age": [18, 30, 35, 18, np.nan, 30],
    "city": ["Bei Jing ", "Shang Hai ", "Guang Zhou", "Shen Zhen", np.nan, " "],
    "sex": ["male", "male", "female", "male", np.nan, "female"],
    "income": [3000, 8000, 8000, 4000, 6000, 7000]
}

user_info = pd.DataFrame(data=data, index=index)
user_info
age city income sex
name
Tom 18.0 Bei Jing 3000 male
Bob 30.0 Shang Hai 8000 male
Mary 35.0 Guang Zhou 8000 female
James 18.0 Shen Zhen 4000 male
Andy NaN NaN 6000 NaN
Alice 30.0 7000 female

将对象分割成组

在进行分组统计前,首先要做的就是进行分组。既然是分组,就需要依赖于某个信息。

比如,依据性别来分组。直接调用 user_info.groupby(user_info["sex"])即可完成按照性别分组。

grouped  = user_info.groupby(user_info["sex"])
grouped.groups
{'female': Index(['Mary', 'Alice'], dtype='object', name='name'),
 'male': Index(['Tom', 'Bob', 'James'], dtype='object', name='name')}

可以看到,已经能够正确的按照性别来进行分组了。通常我们为了更简单,会使用这种方式来实现相同的功能:user_info.groupby("sex")

grouped  = user_info.groupby("sex")
grouped.groups
{'female': Index(['Mary', 'Alice'], dtype='object', name='name'),
 'male': Index(['Tom', 'Bob', 'James'], dtype='object', name='name')}

你可能会想,能不能先按照性别来分组,再按照年龄进一步分组呢?答案是可以的,看这里。

grouped  = user_info.groupby(["sex", "age"])
grouped.groups
{('female', 30.0): Index(['Alice'], dtype='object', name='name'),
 ('female', 35.0): Index(['Mary'], dtype='object', name='name'),
 ('male', 18.0): Index(['Tom', 'James'], dtype='object', name='name'),
 ('male', 30.0): Index(['Bob'], dtype='object', name='name'),
 (nan, nan): Index(['Andy'], dtype='object', name='name')}

关闭排序

默认情况下,groupby 会在操作过程中对数据进行排序。如果为了更好的性能,可以设置 sort=False

grouped  = user_info.groupby(["sex", "age"], sort=False)
grouped.groups
{('female', 30.0): Index(['Alice'], dtype='object', name='name'),
 ('female', 35.0): Index(['Mary'], dtype='object', name='name'),
 ('male', 18.0): Index(['Tom', 'James'], dtype='object', name='name'),
 ('male', 30.0): Index(['Bob'], dtype='object', name='name'),
 (nan, nan): Index(['Andy'], dtype='object', name='name')}

选择列

在使用 groupby 进行分组后,可以使用切片 [] 操作来完成对某一列的选择。

grouped  = user_info.groupby("sex")
grouped
grouped["city"]

遍历分组

在对数据进行分组后,可以进行遍历。

grouped  = user_info.groupby("sex")

for name, group in grouped:
    print("name: {}".format(name))
    print("group: {}".format(group))
    print("--------------")
name: female
group:         age        city  income     sex
name                                   
Mary   35.0  Guang Zhou    8000  female
Alice  30.0                7000  female
--------------
name: male
group:         age        city  income   sex
name                                 
Tom    18.0   Bei Jing     3000  male
Bob    30.0  Shang Hai     8000  male
James  18.0   Shen Zhen    4000  male
--------------

如果是根据多个字段来分组的,每个组的名称是一个元组。

grouped  = user_info.groupby(["sex", "age"])

for name, group in grouped:
    print("name: {}".format(name))
    print("group: {}".format(group))
    print("--------------")
name: ('female', 30.0)
group:         age city  income     sex
name                            
Alice  30.0         7000  female
--------------
name: ('female', 35.0)
group:        age        city  income     sex
name                                  
Mary  35.0  Guang Zhou    8000  female
--------------
name: ('male', 18.0)
group:         age       city  income   sex
name                                
Tom    18.0  Bei Jing     3000  male
James  18.0  Shen Zhen    4000  male
--------------
name: ('male', 30.0)
group:        age        city  income   sex
name                                
Bob   30.0  Shang Hai     8000  male
--------------

选择一个组

分组后,我们可以通过 get_group 方法来选择其中的某一个组。

grouped  = user_info.groupby("sex")
grouped.get_group("male")
age city income sex
name
Tom 18.0 Bei Jing 3000 male
Bob 30.0 Shang Hai 8000 male
James 18.0 Shen Zhen 4000 male
user_info.groupby(["sex", "age"]).get_group(("male", 18))
age city income sex
name
Tom 18.0 Bei Jing 3000 male
James 18.0 Shen Zhen 4000 male

聚合

分组的目的是为了统计,统计的时候需要聚合,所以我们需要在分完组后来看下如何进行聚合。常见的一些聚合操作有:计数、求和、最大值、最小值、平均值等。

想要实现聚合操作,一种方式就是调用 agg 方法。

# 获取不同性别下所包含的人数
grouped = user_info.groupby("sex")
grouped["age"].agg(len)
sex
female    2.0
male      3.0
Name: age, dtype: float64
# 获取不同性别下包含的最大的年龄
grouped = user_info.groupby("sex")
grouped["age"].agg(np.max)
sex
female    35.0
male      30.0
Name: age, dtype: float64

如果是根据多个键来进行聚合,默认情况下得到的结果是一个多层索引结构。

grouped = user_info.groupby(["sex", "age"])
rs = grouped.agg(len)
rs
city income
sex age
female 30.0 1 1
35.0 1 1
male 18.0 2 2
30.0 1 1

有两种方式可以避免出现多层索引,先来介绍第一种。对包含多层索引的对象调用 reset_index 方法。

rs.reset_index()
sex age city income
0 female 30.0 1 1
1 female 35.0 1 1
2 male 18.0 2 2
3 male 30.0 1 1

另外一种方式是在分组时,设置参数 as_index=False

grouped = user_info.groupby(["sex", "age"], as_index=False)
grouped.agg(len)
sex age city income
0 female 30.0 1 1
1 female 35.0 1 1
2 male 18.0 2 2
3 male 30.0 1 1

Series 和 DataFrame 都包含了 describe 方法,我们分组后一样可以使用 describe 方法来查看数据的情况。

grouped = user_info.groupby("sex")
grouped.describe()
age income
count mean std min 25% 50% 75% max count mean std min 25% 50% 75% max
sex
female 2.0 32.5 3.535534 30.0 31.25 32.5 33.75 35.0 2.0 7500.0 707.106781 7000.0 7250.0 7500.0 7750.0 8000.0
male 3.0 22.0 6.928203 18.0 18.00 18.0 24.00 30.0 3.0 5000.0 2645.751311 3000.0 3500.0 4000.0 6000.0 8000.0

一次应用多个聚合操作

有时候进行分组后,不单单想得到一个统计结果,有可能是多个。比如想统计出不同性别下的一个收入的总和和平均值。

grouped = user_info.groupby("sex")
grouped["income"].agg([np.sum, np.mean])
sum mean
sex
female 15000 7500
male 15000 5000

如果想将统计结果进行重命名,可以传入字典。

grouped = user_info.groupby("sex")
grouped["income"].agg([np.sum, np.mean]).rename(columns={"sum": "income_sum", "mean": "income_mean"})
income_sum income_mean
sex
female 15000 7500
male 15000 5000

对DataFrame列应用不同的聚合操作

有时候可能需要对不同的列使用不同的聚合操作。例如,想要统计不同性别下人群的年龄的均值以及收入的总和。

grouped = user_info.groupby("sex")
grouped.agg({"age": np.mean, "income": np.sum}).rename(columns={"age": "age_mean", "income": "income_sum"})
age_mean income_sum
sex
female 32.5 15000
male 22.0 15000

transform 操作

前面进行聚合运算的时候,得到的结果是一个以分组名作为索引的结果对象。虽然可以指定 as_index=False ,但是得到的索引也并不是元数据的索引。如果我们想使用原数组的索引的话,就需要进行 merge 转换。

transform方法简化了这个过程,它会把 func 参数应用到所有分组,然后把结果放置到原数组的索引上(如果结果是一个标量,就进行广播)

# 通过 agg 得到的结果的索引是分组名
grouped = user_info.groupby("sex")
grouped["income"].agg(np.mean)
sex
female    7500
male      5000
Name: income, dtype: int64
# 通过 transform 得到的结果的索引是原始索引,它会将得到的结果自动关联上原始的索引
grouped = user_info.groupby("sex")
grouped["income"].transform(np.mean)
name
Tom      5000.0
Bob      5000.0
Mary     7500.0
James    5000.0
Andy        NaN
Alice    7500.0
Name: income, dtype: float64

可以看到,通过 transform 操作得到的结果的长度与原来保持一致。

apply 操作

除了 transform 操作外,还有更神奇的 apply 操作。

apply 会将待处理的对象拆分成多个片段,然后对各片段调用传入的函数,最后尝试用 pd.concat() 把结果组合起来。func 的返回值可以是 Pandas 对象或标量,并且数组对象的大小不限。

# 使用 apply 来完成上面的聚合
grouped = user_info.groupby("sex")
grouped["income"].apply(np.mean)
sex
female    7500.0
male      5000.0
Name: income, dtype: float64

来看下 apply 不一样的用法吧。

比如想要统计不同性别最高收入的前n个值,可以通过下面这种方式实现。

def f1(ser, num=2):
    return ser.nlargest(num).tolist()

grouped["income"].apply(f1)
sex
female    [8000, 7000]
male      [8000, 4000]
Name: income, dtype: object

另外,如果想要获取不同性别下的年龄的均值,通过 apply 可以如下实现。

def f2(df):
    return df["age"].mean()

grouped.apply(f2)
sex
female    32.5
male      22.0
dtype: float64

想要学习更多关于人工智能的知识,请关注公众号:AI派

这里我将整篇文章的内容整理成了pdf,想要pdf文件的可以在公众号后台回复关键字:pandas

  • 个人微信号
  • 添加时请备注“脑洞大开读者”
  • weinxin
  • 微信公众号
  • 关注会有更多精彩内容!
  • weinxin

发表评论

您必须登录才能发表评论!