文章目錄

• groupby()方法
• • 通過列名進行分組
  • 通過Series對象進行分組
  • • Series對象與原數據的行索引長度相等
    • Series對象與原數據的行索引長度不等
  • 通過字典進行分組
  • • 按照columns軸的方向進行分組
    • 按照index軸的方向進行分組
  • 通過函數進行分組

---

groupby()方法

groupby(
self,
by=None,
axis=0,
level=None,
as_index: bool = True,
sort: bool = True,
group_keys: bool = True,
squeeze: bool = False,
observed: bool = False,
)

部分參數表示的含義如下：

by：用于確定進行分組的依據

axis：表示分組軸的方向，可以為0或1，默認為0

level：如果某個軸是一個MultiIndex對象（索引層次結構），則會按特定級別或多個級別分組

as_index：表示聚合后的數據是否以組標簽作為索引的DataFrame對象輸出，接受布爾值，默認為True

sort：表示是否對分組標簽進行排序，接受布爾值，默認為True

---

通過groupby()方法執行分組操作，會返回一個GroupBy對象，該對象實際上并沒有進行任何計算，只是包含一些而關于分組鍵的中間數據而已。

一般，使用Series調用groupby()方法返回的是SeriesGroupBy對象，而使用DataFrame調用groupby()方法返回的是DataFrameBy對象。

---

---

在進行分組時，通過指定by參數來確定分組標準，常用的分組方式主要有四種：

• 列表或數組，其長度必須與待分組的軸一樣
• DataFrame對象中某列的名稱
• 字典或Series對象，給出待分組軸上的值與分組名稱之間的對應關系
• 函數，用于處理軸索引或索引中的各個標簽

---

通過列名進行分組

代碼：

import numpy as np import pandas as pddf = pd.DataFrame({"key": ['C', 'B', 'C', 'A', 'B', 'B', 'A', 'C', 'A'],"Data": [2, 4, 6, 8, 10, 1, 14, 16, 18]}) print(df) group_obj = df.groupby(by='key') print("df.groupby(by='key'):\n", group_obj)

輸出結果：

key Data 0 C 2 1 B 4 2 C 6 3 A 8 4 B 10 5 B 1 6 A 14 7 C 16 8 A 18 df.groupby(by='key'):<pandas.core.groupby.generic.DataFrameGroupBy object at 0x000002018919F2B0>

從輸出結果可以看出，DataFrame經過分組之后得到了一個DataFrameGroupBy對象，該對象是一個可迭代的對象，即只有在真正需要的時候才會執行計算（惰性計算）

如果要查看每個分組的具體內容，應該使用for循環遍歷DataFrameGroupBy對象。

代碼：

for i in group_obj:print(i)

輸出結果：

('A', key Data 3 A 8 6 A 14 8 A 18) ('B', key Data 1 B 4 4 B 10 5 B 1) ('C', key Data 0 C 2 2 C 6 7 C 16)

---

通過Series對象進行分組

Series對象與原數據的行索引長度相等

將Series對象傳給by參數，作為分組鍵拆分DataFrame對象

代碼：

df1 = pd.DataFrame({'key1': ['A', 'A', 'B', 'B', 'A'],'kye2': ['one', 'two', 'one', 'two', 'one'],'data1': [2, 3, 4, 6, 8],'data2': [3, 5, 6, 3, 7]}) print(df1)se = pd.Series(['a', 'b', 'c', 'a', 'b']) group_obj1 = df1.groupby(by=se) for i in group_obj1:print(i)

輸出結果：

key1 kye2 data1 data2 0 A one 2 3 1 A two 3 5 2 B one 4 6 3 B two 6 3 4 A one 8 7('a', key1 kye2 data1 data2 0 A one 2 3 3 B two 6 3) ('b', key1 kye2 data1 data2 1 A two 3 5 4 A one 8 7) ('c', key1 kye2 data1 data2 2 B one 4 6)

從輸出結果可以看出，se將df1對象分成a，b，c三組，其中索引0和3對應的兩行為a組數據，索引1和4對應的兩行為b組數據，索引2對應的一行為c組數據。

---

Series對象與原數據的行索引長度不等

代碼：

se1 = pd.Series(['a', 'b', 'a']) group_obj2 = df1.groupby(se1) for i in group_obj2:print("group_obj2:\n", i)

輸出結果：

('a', key1 kye2 data1 data2 0 A one 2 3 2 B one 4 6) ('b', key1 kye2 data1 data2 1 A two 3 5)

由于se1只有三行數據，所以它只需要對df對象的前三行數據進行分組，即第一行第三行分為一組，最后一行分為一組，而不會將全部的數據進行分組

---

通過字典進行分組

用字典對DataFrame進行分組時，需要確定軸的方向及字典中的映射關系，即字典中的鍵為列名，字典的值為自定義的分組名。

---

按照columns軸的方向進行分組

代碼：

df2 = DataFrame({'a': [1, 2, 4, 8, 3],'b': [9, 6, 3, 7, 5],'c': [2, 3, 4, 6, 8],'d': [3, 5, 6, 3, 7]}) mapping = {'a': '第一組', 'b': '第二組', 'c': '第三組', 'd': '第一組'} print(df2) by_columns = df2.groupby(by=mapping, axis=1) print("by_columns:") for i in by_columns:print(i)

輸出結果：

a b c d 0 1 9 2 3 1 2 6 3 5 2 4 3 4 6 3 8 7 6 3 4 3 5 8 7 by_columns: ('第一組', a d 0 1 3 1 2 5 2 4 6 3 8 3 4 3 7) ('第三組', c 0 2 1 3 2 4 3 6 4 8) ('第二組', b 0 9 1 6 2 3 3 7 4 5)

拆分df2時，將a列、d列數據映射到第一組；將b列映射到第二組，將d列數據映射到第三組。

---

按照index軸的方向進行分組

代碼

mapping1 = {0: '第一組', 1: '第二組', 2: '第三組', 3: '第二組', 4: '第一組'} by_index = df2.groupby(mapping1, axis=0) print("by_index:") for i in by_index:print(i)

輸出結果：

by_index: ('第一組', a b c d 0 1 9 2 3 4 3 5 8 7) ('第三組', a b c d 2 4 3 4 6) ('第二組', a b c d 1 2 6 3 5 3 8 7 6 3)

拆分df2時，將0行、4行數據映射到第一組；將1行、3行映射到第二組，將2行數據映射到第三組。

---

通過函數進行分組

使用函數作為分組鍵會更加靈活，任何一個被當作分組鍵的函數都會在各個索引值上被調用一次，返回的值會被用作分組名稱。

代碼：

df2 = DataFrame({'a': [1, 2, 4, 8, 3],'b': [9, 6, 3, 7, 5],'c': [2, 3, 4, 6, 8],'d': [3, 5, 6, 3, 7]},index=['Bob', 'Alice', 'Job', 'Jack', 'Helen']) group_obj3 = df2.groupby(by=len) print("group_obj3") for i in group_obj3:print(i)

輸出結果：

group_obj3 (3, a b c d Bob 1 9 2 3 Job 4 3 4 6) (4, a b c d Jack 8 7 6 3) (5, a b c d Alice 2 6 3 5 Helen 3 5 8 7)

在調用groupby()方法時傳入了內置函數len()，表明len()函數會對行索引一列執行求長度的操作，以行索引名稱的長度進行分組，則長度相同的行索引名稱會分成一組。

總結

以上是生活随笔為你收集整理的Python之数据拆分——groupby()方法的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。