groupby 技术
分组键可以有很多形式，且类型不必相同：
1、列表或数组，其长度与待分组的轴一样
2、表示DataFrame某个列名的值
3、字典或Series，给出待分组轴上的值与分组名之间的对应关系
4、函数，用于处理轴索引或索引中的各个标签
1、分组键为Series
1 df=DataFrame({'key1':['a','a','b','b','a'], 2 'key2':['one','two','one','two','one'], 3 'data1':np.random.randn(5), 4 'data2':np.random.randn(5)}) 5 6 df 7 Out[6]: 8 data1 data2 key1 key2 9 0 -0.814074 1.244593 a one 10 1 -1.203203 -0.199076 a two 11 2 0.846649 1.136826 b one 12 3 -1.700835 1.822935 b two 13 4 1.190682 -2.001369 a one
按照key1进行分组，并计算data1列的平均值，这里使用：访问data1，并根据key1调用groupby：
1 grouped=df['data1'].groupby(df['key1']) 2 grouped 3 Out[6]: <pandas.core.groupby.SeriesGroupBy object at 0x000000000ADEEC18>
变量grouped是一个GroupBy对象。实际上还没有进行任何计算，只是含有一些有关分组键df['key1']的中间数据。换句话说，该对象已经有了接下来对个分组执行运算所需的一切信息。
1 #调用GroupBy的mean方法计算分组平均值 2 grouped.mean() 3 Out[8]: 4 key1 5 a -0.275532 6 b -0.427093 7 Name: data1, dtype: float64
可以看出，数据（Series）根据分组键进行了聚合，产生了一个新的Series，其索引为key1列中的唯一值。之所以结果中索引的名称为key1，是因为原始DataFrame的列df['key1']就叫这个名字。
一次传入多个数组：
1 #一次传入多个数组，使用列表方式[] 2 means=df['data1'].groupby([df['key1'],df['key2']]).mean() 3 4 means 5 Out[11]: 6 key1 key2 7 a one 0.188304 8 two -1.203203 9 b one 0.846649 10 two -1.700835 11 Name: data1, dtype: float64 12 13 #分组后得到的Series具有一个层次化索引 14 means.unstack() 15 Out[12]: 16 key2 one two 17 key1 18 a 0.188304 -1.203203 19 b 0.846649 -1.700835
2、分组键是数组
上面的示例中，分组键均为Series，实际上，分组键可以是任何长度适当的数组：
1 states=np.array(['Ohio','California','California','Ohio','Ohio']) 2 3 years=np.array([2005,2005,2006,2005,2006]) 4 5 df['data1'].groupby([states,years]).mean() 6 Out[15]: 7 California 2005 -1.203203 8 2006 0.846649 9 Ohio 2005 -1.257454 10 2006 1.190682 11 Name: data1, dtype: float64
3、列名做分组键
此外还可以将列名（可以是字符串、数字或其他Python对象）作为分组键：
1 df.groupby('key1').mean() 2 Out[16]: 3 data1 data2 4 key1 5 a -0.275532 -0.318617 6 b -0.427093 1.479880 7 8 df.groupby(['key1','key2']).mean() 9 Out[17]: 10 data1 data2 11 key1 key2 12 a one 0.188304 -0.378388 13 two -1.203203 -0.199076 14 b one 0.846649 1.136826 15 two -1.700835 1.822935
可以注意到，在执行df.groupby('key1').mean()时，结果中没有key2列。这是因为df['key2']不是数值数据（俗称“麻烦列”），所以从结果中排除了。默认情况下，所有数值列都会被聚合。
GroupBy的size方法，它可以返回一个含有分组大小的Series：
1 df.groupby(['key1','key2']).size() 2 Out[18]: 3 key1 key2 4 a one 2 5 two 1 6 b one 1 7 two 1 8 dtype: int64
对分组进行迭代
GroupBy对象支持迭代，可以产生一组二元元组（由分组名和数据块组成）。
1 for name,group in df.groupby('key1'): 2 print(name) 3 print(group) 4 5 a 6 data1 data2 key1 key2 7 0 -0.814074 1.244593 a one 8 1 -1.203203 -0.199076 a two 9 4 1.190682 -2.001369 a one 10 b 11 data1 data2 key1 key2 12 2 0.846649 1.136826 b one 13 3 -1.700835 1.822935 b two
多重键，元组的第一个元素将会是由键值组成的元组：
1 for (k1,k2),group in df.groupby(['key1','key2']): 2 print(k1,k2) 3 print(group) 4 5 a one 6 data1 data2 key1 key2 7 0 -0.814074 1.244593 a one 8 4 1.190682 -2.001369 a one 9 a two 10 data1 data2 key1 key2 11 1 -1.203203 -0.199076 a two 12 b one 13 data1 data2 key1 key2 14 2 0.846649 1.136826 b one 15 b two 16 data1 data2 key1 key2 17 3 -1.700835 1.822935 b two
可以对这些数据片段做任何操作，例如：将这些数据片段做成一个字典。
1 pieces=dict(list(df.groupby('key1'))) 2 3 pieces 4 Out[24]: 5 {'a': data1 data2 key1 key2 6 0 -0.814074 1.244593 a one 7 1 -1.203203 -0.199076 a two 8 4 1.190682 -2.001369 a one, 'b': data1 data2 key1 key2 9 2 0.846649 1.136826 b one 10 3 -1.700835 1.822935 b two} 11 12 pieces['b'] 13 Out[25]: 14 data1 data2 key1 key2 15 2 0.846649 1.136826 b one 16 3 -1.700835 1.822935 b two
groupby默认是在axis=0上进行分组的，通过设置也可以在其他任何轴上进行分组。
1 df.dtypes 2 Out[26]: 3 data1 float64 4 data2 float64 5 key1 object 6 key2 object 7 dtype: object 8 9 #在axis=1分组 10 grouped=df.groupby(df.dtypes,axis=1) 11 dict(list(grouped)) 12 Out[29]: 13 {dtype('float64'): data1 data2 14 0 -0.814074 1.244593 15 1 -1.203203 -0.199076 16 2 0.846649 1.136826 17 3 -1.700835 1.822935 18 4 1.190682 -2.001369, dtype('O'): key1 key2 19 0 a one 20 1 a two 21 2 b one 22 3 b two 23 4 a one}
选取一个或一组列
对于由DataFrame产生的GroupBy对象，如果用一个（单个字符串）或一组（字符串数组）列名对其进行索引，就能实现选取部分列进行聚合的目的。
1 df.groupby('key1')['data1'] 2 df.groupby('key1')[[data2']] 3 #上面的代码是下面代码的语法糖 4 df['data1'].groupby(df['key1']) 5 df[['data2']].groupby(df['key1'])
1 #对部分列进行聚合 2 df.groupby(['key1','key2'])[['data2']].mean() 3 Out[32]: 4 data2 5 key1 key2 6 a one -0.378388 7 two -0.199076 8 b one 1.136826 9 two 1.822935
这样操作返回的对象是一个已分组的DataFrame（传入的是列表或数组）或已分组的Series（传入的是标量形式的单个列名）：
1 s_grouped=df.groupby(['key1','key2'])['data2'] 2 s_grouped.mean() 3 Out[36]: 4 key1 key2 5 a one -0.378388 6 two -0.199076 7 b one 1.136826 8 two 1.822935 9 Name: data2, dtype: float64
4、通过字典或Series进行分组
1 people=DataFrame(np.random.randn(5,5), 2 columns=['a','b','c','d','e'], 3 index=['Joe','Steve','Wes','Jim','Travis']) 4 5 #将行索引为2，列索引名为'b','c'的数据赋值为NaN 6 people.ix[2:3,['b','c']]=np.nan 7 __main__:1: DeprecationWarning: 8 .ix is deprecated. Please use 9 .loc for label based indexing or 10 .iloc for positional indexing 11 12 See the documentation here: 13 http://pandas.pydata.org/pandas-docs/stable/indexing.html#ix-indexer-is-deprecated 14 15 people 16 Out[42]: 17 a b c d e 18 Joe 0.125621 -0.059778 0.437543 -1.583435 0.472849 19 Steve 0.855371 0.461129 -0.126290 0.146014 0.373913 20 Wes -2.106125 NaN NaN 0.895130 -1.547358 21 Jim 0.155206 0.202384 0.932044 -1.171872 -1.035313 22 Travis 0.875559 -0.161025 0.482190 1.593750 0.637874
假设已知列的分组关系，并希望根据分组计算列的总计：
1 mapping={'a':'red','b':'red','c':'blue', 2 'd':'blue','e':'red','f':'orange'} 3 4 #将mapping这个字典传给groupby 5 by_column=people.groupby(mapping,axis=1) 6 7 by_column.sum() 8 Out[45]: 9 blue red 10 Joe -1.145892 0.538692 11 Steve 0.019724 1.690413 12 Wes 0.895130 -3.653483 13 Jim -0.239828 -0.677722 14 Travis 2.075939 1.352408
5、用Series做分组键
Series也有同样的功能，被看做一个固定大小的映射。用Series做分组键，pandas会检查Series以确保其索引跟分组轴是对齐的：
1 map_series=Series(mapping) 2 3 map_series 4 Out[48]: 5 a red 6 b red 7 c blue 8 d blue 9 e red 10 f orange 11 dtype: object 12 13 people.groupby(map_series,axis=1).count() 14 Out[49]: 15 blue red 16 Joe 2 3 17 Steve 2 3 18 Wes 1 2 19 Jim 2 3 20 Travis 2 3
6、通过函数进行分组
任何被当做分组键的函数都会在各个索引值上被调用一次，其返回值就会被用作分组名称。
1 people.groupby(len).sum() 2 Out[50]: 3 a b c d e 4 3 -1.825298 0.142606 1.369587 -1.860177 -2.109822 5 5 0.855371 0.461129 -0.126290 0.146014 0.373913 6 6 0.875559 -0.161025 0.482190 1.593750 0.637874
将函数和数组、列表、字典、Series混合使用也必是问题，因为任何东西最终都会被转换为数组：
1 key_list=['one','one','one','two','two'] 2 people.groupby([len,key_list]).min() 3 Out[53]: 4 a b c d e 5 3 one -2.106125 -0.059778 0.437543 -1.583435 -1.547358 6 two 0.155206 0.202384 0.932044 -1.171872 -1.035313 7 5 one 0.855371 0.461129 -0.126290 0.146014 0.373913 8 6 two 0.875559 -0.161025 0.482190 1.593750 0.637874
7、根据索引级别分组
层次化索引数据集最方便的地方在于能够根据索引级别进行聚合。
1 columns=pd.MultiIndex.from_arrays([['US','US','US','JP','JP'], 2 [1,3,5,1,3]],names=['cty','tenor']) 3 4 hier_df=DataFrame(np.random.randn(4,5),columns=columns) 5 6 hier_df 7 Out[58]: 8 cty US JP 9 tenor 1 3 5 1 3 10 0 1.641749 2.434674 -0.546666 0.797418 0.530019 11 1 0.084086 0.309776 -0.322581 1.996448 -0.093791 12 2 1.387329 -0.200419 -0.182946 -0.811081 1.081501 13 3 -0.237261 0.288679 -0.057882 0.267184 0.907478 14 15 16 #通过level关键字传入级别编号或名称 17 hier_df.groupby(level='cty',axis=1).count() 18 Out[59]: 19 cty JP US 20 0 2 3 21 1 2 3 22 2 2 3 23 3 2 3
