前言

在使用pandas的時(shí)候，有些場(chǎng)景需要對(duì)數(shù)據(jù)內(nèi)部進(jìn)行分組處理，如一組全校學(xué)生成績(jī)的數(shù)據(jù)，我們想通過(guò)班級(jí)進(jìn)行分組，或者再對(duì)班級(jí)分組后的性別進(jìn)行分組來(lái)進(jìn)行分析，這時(shí)通過(guò)pandas下的groupby()函數(shù)就可以解決。在使用pandas進(jìn)行數(shù)據(jù)分析時(shí)，groupby()函數(shù)將會(huì)是一個(gè)數(shù)據(jù)分析輔助的利器。

groupby的作用可以參考 超好用的 pandas 之 groupby 中作者的插圖進(jìn)行直觀的理解：

準(zhǔn)備

讀入的數(shù)據(jù)是一段學(xué)生信息的數(shù)據(jù)，下面將以這個(gè)數(shù)據(jù)為例進(jìn)行整理grouby()函數(shù)的使用：

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

df = pd.read_csv('./data.csv')

print(df)

Name Gender Age Score

0 Alen Male 18 80

1 Bob Male 19 90

2 Cidy Female 18 93

3 Daniel Male 20 87

4 Ellen Female 17 96

5 Frankie Male 21 100

6 Gate Male 20 88

7 Hebe Female 22 98

基本操作

在進(jìn)行對(duì)groupby函數(shù)進(jìn)行學(xué)習(xí)之前，首先需要明確的是，通過(guò)對(duì)DataFrame對(duì)象調(diào)用groupby()函數(shù)返回的結(jié)果是一個(gè)DataFrameGroupBy對(duì)象，而不是一個(gè)DataFrame或者Series對(duì)象，所以，它們中的一些方法或者函數(shù)是無(wú)法直接調(diào)用的，需要按照GroupBy對(duì)象中具有的函數(shù)和方法進(jìn)行調(diào)用。

grouped = df.groupby('Gender')

print(type(grouped))

print(grouped)

分組時(shí)，不僅僅可以指定一個(gè)列名，也可以指定多個(gè)列名：

grouped = df.groupby('Gender')

grouped_muti = df.groupby(['Gender', 'Age'])

print(grouped.size())

print(grouped_muti.size())

Gender

Female 3

Male 5

dtype: int64

Gender Age

Female 17 1

18 1

22 1

Male 18 1

19 1

20 2

21 1

dtype: int64

指定多個(gè)列名個(gè)單個(gè)列名后的區(qū)別在于，分組的主鍵或者索引(indice)將一個(gè)是單個(gè)主鍵，另一個(gè)則是一個(gè)元組的形式：

print(grouped.get_group('Female'))

print(grouped_muti.get_group(('Female', 17)))

Name Gender Age Score

2 Cidy Female 18 93

4 Ellen Female 17 96

7 Hebe Female 22 98

Name Gender Age Score

4 Ellen Female 17 96

通過(guò)調(diào)用get_group()函數(shù)可以返回一個(gè)按照分組得到的DataFrame對(duì)象，所以接下來(lái)的使用就可以按照·DataFrame·對(duì)象來(lái)使用。如果想讓這個(gè)DataFrame對(duì)象的索引重新定義可以通過(guò)：

df = grouped.get_group('Female').reset_index()

print(df)

index Name Gender Age Score

0 2 Cidy Female 18 93

1 4 Ellen Female 17 96

2 7 Hebe Female 22 98

這里可以總結(jié)一下，由于通過(guò)groupby()函數(shù)分組得到的是一個(gè)DataFrameGroupBy對(duì)象，而通過(guò)對(duì)這個(gè)對(duì)象調(diào)用get_group()，返回的則是一個(gè)·DataFrame·對(duì)象，所以可以將DataFrameGroupBy對(duì)象理解為是多個(gè)DataFrame組成的。

而沒有調(diào)用get_group()函數(shù)之前，此時(shí)的數(shù)據(jù)結(jié)構(gòu)任然是DataFrameGroupBy，此時(shí)進(jìn)行對(duì)DataFrameGroupBy按照列名進(jìn)行索引，同理就可以得到SeriesGroupBy對(duì)象，取多個(gè)列名，則得到的任然是DataFrameGroupBy對(duì)象，這里可以類比DataFrame和Series的關(guān)系。

按照上面的思路理解后，再調(diào)用get_group()函數(shù)后得到的DataFrame對(duì)象按照列名進(jìn)行索引實(shí)際上就是得到了Series的對(duì)象，下面的操作就可以按照Series對(duì)象中的函數(shù)行了。

在沒有進(jìn)行調(diào)用get_group()，也就是沒有取出特定某一組數(shù)據(jù)之前，此時(shí)的數(shù)據(jù)結(jié)構(gòu)任然是DataFrameGroupBy，其中也有很多函數(shù)和方法可以調(diào)用，如max()、count()、std()等，返回的結(jié)果是一個(gè)DataFrame對(duì)象。

print(grouped.count())

print(grouped.max()[['Age', 'Score']])

print(grouped.mean()[['Age', 'Score']])

Name Age Score

Gender

Female 3 3 3

Male 5 5 5

Age Score

Gender

Female 22 98

Male 21 100

Age Score

Gender

Female 19.0 95.666667

Male 19.6 89.000000

如果其中的函數(shù)無(wú)法滿足你的需求，你也可以選擇使用聚合函數(shù)aggregate，傳遞numpy或者自定義的函數(shù)，前提是返回一個(gè)聚合值。

def getSum(data):

total = 0

for d in data:

total+=d

return total

print(grouped.aggregate(np.median))

print(grouped.aggregate({'Age':np.median, 'Score':np.sum}))

print(grouped.aggregate({'Age':getSum}))

aggregate函數(shù)不同于apply，前者是對(duì)所有的數(shù)值進(jìn)行一個(gè)聚合的操作，而后者則是對(duì)每個(gè)數(shù)值進(jìn)行單獨(dú)的一個(gè)操作：

def addOne(data):

return data + 1

df['Age'] = df['Age'].apply(addOne)

df['Age'] = df['Age'].apply(int)

可視化操作

對(duì)組內(nèi)的數(shù)據(jù)繪制概率密度分布：

grouped['Age'].plot(kind='kde', legend=True)

plt.show()

由于grouped['Age']是一個(gè)SeriesGroupby對(duì)象, 顧名思義, 就是每一個(gè)組都有一個(gè)Series. 所以直接plot相當(dāng)于遍歷了每一個(gè)組內(nèi)的Age數(shù)據(jù)。

REF

到此這篇關(guān)于pandas之分組groupby()的使用整理與總結(jié)的文章就介紹到這了,更多相關(guān)pandas groupby()分組內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

總結(jié)

以上是生活随笔為你收集整理的pandas python groupby_pandas之分组groupby()的使用整理与总结的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

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