Pandas的分组聚合groupby

Pandas怎样实现groupby分组统计

groupby：先对数据分组，然后在每个分组上应用聚合函数、转换函数

import pandas as pd
import numpy as np
%matplotlib inline

  

 

  
1
  
2
  
3
 

df = pd.DataFrame({'A': ['foo', 'bar', 'foo', 'bar', 'foo', 'bar', 'foo', 'foo'], 'B': ['one', 'one', 'two', 'three', 'two', 'two', 'one', 'three'], 'C': np.random.randn(8), 'D': np.random.randn(8)})
df

  

 

  
1
  
2
  
3
  
4
  
5
 

一、分组使用聚合函数做数据统计

1、单个列groupby，查询所有数据列的统计

df.groupby('A').sum()

  

 

  
1
 

我们看到：

1. groupby中的’A’变成了数据的索引列
2. 因为要统计sum，但B列不是数字，所以被自动忽略掉

2、多个列groupby，查询所有数据列的统计

df.groupby(['A','B']).mean()

  

 

  
1
 

我们看到：(‘A’,‘B’)成对变成了二级索引

df.groupby(['A','B'], as_index=False).mean()

  

 

  
1
 

3、同时查看多种数据统计

df.groupby('A').agg([np.sum, np.mean, np.std])

  

 

  
1
 

我们看到：列变成了多级索引

4、查看单列的结果数据统计

# 方法1：预过滤，性能更好
df.groupby('A')['C'].agg([np.sum, np.mean, np.std])

  

 

  
1
  
2
 

# 方法2
df.groupby('A').agg([np.sum, np.mean, np.std])['C']

  

 

  
1
  
2
 

5、不同列使用不同的聚合函数

df.groupby('A').agg({"C":np.sum, "D":np.mean})

  

 

  
1
 

二、遍历groupby的结果理解执行流程

for循环可以直接遍历每个group

1、遍历单个列聚合的分组

g = df.groupby('A')
g

  

 

  
1
  
2
 

<pandas.core.groupby.generic.DataFrameGroupBy object at 0x00000123B250E548>

  

 

  
1
 

for name,group in g: print(name) print(group) print()

  

 

  
1
  
2
  
3
  
4
 

bar A B C D
1  bar one -0.375789 -0.345869
3  bar  three -1.564748  0.081163
5  bar two -0.202403  0.701301

foo A B C D
0  foo one  0.542903  0.788896
2  foo two -0.903407  0.428031
4  foo two -1.093602  0.837348
6  foo one -0.665189 -1.505290
7  foo  three -0.498339  0.534438

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
 

可以获取单个分组的数据

g.get_group('bar')

  

 

  
1
 

2、遍历多个列聚合的分组

g = df.groupby(['A', 'B'])

  

 

  
1
 

for name,group in g: print(name) print(group) print()

  

 

  
1
  
2
  
3
  
4
 

('bar', 'one') A B C D
1  bar  one -0.375789 -0.345869

('bar', 'three') A B C D
3  bar  three -1.564748  0.081163

('bar', 'two') A B C D
5  bar  two -0.202403  0.701301

('foo', 'one') A B C D
0  foo  one  0.542903  0.788896
6  foo  one -0.665189 -1.505290

('foo', 'three') A B C D
7  foo  three -0.498339  0.534438

('foo', 'two') A B C D
2  foo  two -0.903407  0.428031
4  foo  two -1.093602  0.837348

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
  
15
  
16
  
17
  
18
  
19
  
20
  
21
  
22
  
23
  
24
  
25
 

可以看到，name是一个2个元素的tuple，代表不同的列

g.get_group(('foo', 'one'))

  

 

  
1
 

可以直接查询group后的某几列，生成Series或者子DataFrame

g['C']

  

 

  
1
 

for name, group in g['C']: print(name) print(group) print(type(group)) print()

  

 

  
1
  
2
  
3
  
4
  
5
 

('bar', 'one')
1   -0.375789
Name: C, dtype: float64
<class 'pandas.core.series.Series'>

('bar', 'three')
3   -1.564748
Name: C, dtype: float64
<class 'pandas.core.series.Series'>

('bar', 'two')
5   -0.202403
Name: C, dtype: float64
<class 'pandas.core.series.Series'>

('foo', 'one')
0 0.542903
6   -0.665189
Name: C, dtype: float64
<class 'pandas.core.series.Series'>

('foo', 'three')
7   -0.498339
Name: C, dtype: float64
<class 'pandas.core.series.Series'>

('foo', 'two')
2   -0.903407
4   -1.093602
Name: C, dtype: float64
<class 'pandas.core.series.Series'>

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
  
15
  
16
  
17
  
18
  
19
  
20
  
21
  
22
  
23
  
24
  
25
  
26
  
27
  
28
  
29
  
30
  
31
 

其实所有的聚合统计，都是在dataframe和series上进行的；

三、实例分组探索天气数据

fpath = "./datas/beijing_tianqi/beijing_tianqi_2018.csv"
df = pd.read_csv(fpath)
# 替换掉温度的后缀℃
df.loc[:, "bWendu"] = df["bWendu"].str.replace("℃", "").astype('int32')
df.loc[:, "yWendu"] = df["yWendu"].str.replace("℃", "").astype('int32')
df.head()

  

 

  
1
  
2
  
3
  
4
  
5
  
6
 

# 新增一列为月份
df['month'] = df['ymd'].str[:7]
df.head()

  

 

  
1
  
2
  
3
 

1、查看每个月的最高温度

data = df.groupby('month')['bWendu'].max()
data

  

 

  
1
  
2
 

month
2018-01 7
2018-02 12
2018-03 27
2018-04 30
2018-05 35
2018-06 38
2018-07 37
2018-08 36
2018-09 31
2018-10 25
2018-11 18
2018-12 10
Name: bWendu, dtype: int32

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
 

type(data)

  

 

  
1
 

pandas.core.series.Series

  

 

  
1
 

data.plot()

  

 

  
1
 

<matplotlib.axes._subplots.AxesSubplot at 0x123c344b308>

  

 

  
1
 

2、查看每个月的最高温度、最低温度、平均空气质量指数

df.head()

  

 

  
1
 

group_data = df.groupby('month').agg({"bWendu":np.max, "yWendu":np.min, "aqi":np.mean})
group_data

  

 

  
1
  
2
 

group_data.plot()

  

 

  
1
 

文章来源: beishan.blog.csdn.net，作者：北山啦，版权归原作者所有，如需转载，请联系作者。

原文链接：beishan.blog.csdn.net/article/details/112755607