pandas聚合和分组运算——GroupBy技术(1)
数据聚合与分组运算——GroupBy技术(1)，有需要的朋友可以参考下。
pandas提供了一个灵活高效的groupby功能，它使你能以一种自然的方式对数据集进行切片、切块、摘要等操作。根据一个或多个键（可以是函数、数组或DataFrame列名）拆分pandas对象。计算分组摘要统计，如计数、平均值、标准差，或用户自定义函数。对DataFrame的列应用各种各样的函数。应用组内转换或其他运算，如规格化、线性回归、排名或选取子集等。计算透视表或交叉表。执行分位数分析以及其他分组分析。
1、首先来看看下面这个非常简单的表格型数据集（以DataFrame的形式）：
>>> import pandas as pd
>>> df = pd.DataFrame({'key1':['a', 'a', 'b', 'b', 'a'],
... 'key2':['one', 'two', 'one', 'two', 'one'],
... 'data1':np.random.randn(5),
... 'data2':np.random.randn(5)})
>>> df
data1 data2 key1 key2
0 -0.410673 0.519378 a one
1 -2.120793 0.199074 a two
2 0.642216 -0.143671 b one
3 0.975133 -0.592994 b two
4 -1.017495 -0.530459 a one
假设你想要按key1进行分组，并计算data1列的平均值，我们可以访问data1，并根据key1调用groupby：
>>> grouped = df['data1'].groupby(df['key1']) >>> grouped <pandas.core.groupby.SeriesGroupBy object at 0x04120D70>
变量grouped是一个GroupBy对象，它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']的中间数据而已，然后我们可以调用GroupBy的mean方法来计算分组平均值：
>>> grouped.mean() key1 a -1.182987 b 0.808674 dtype: float64
说明：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。
2、如果我们一次传入多个数组，就会得到不同的结果：
>>> means = df['data1'].groupby([df['key1'], df['key2']]).mean()
>>> means
key1 key2
a one -0.714084
two -2.120793
b one 0.642216
two 0.975133
dtype: float64
通过两个键对数据进行了分组，得到的Series具有一个层次化索引（由唯一的键对组成）：
>>> means.unstack() key2 one two key1 a -0.714084 -2.120793 b 0.642216 0.975133
在上面这些示例中，分组键均为Series。实际上，分组键可以是任何长度适当的数组：
>>> states = np.array(['Ohio', 'California', 'California', 'Ohio', 'Ohio'])
>>> years = np.array([2005, 2005, 2006, 2005, 2006])
>>> df['data1'].groupby([states, years]).mean()
California 2005 -2.120793
2006 0.642216
Ohio 2005 0.282230
2006 -1.017495
dtype: float64
3、此外，你还可以将列名（可以是字符串、数字或其他Python对象）用作分组将：
>>> df.groupby('key1').mean()
data1 data2
key1
a -1.182987 0.062665
b 0.808674 -0.368333
>>> df.groupby(['key1', 'key2']).mean()
data1 data2
key1 key2
a one -0.714084 -0.005540
two -2.120793 0.199074
b one 0.642216 -0.143671
two 0.975133 -0.592994
说明：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，所以被从结果中排除了。默认情况下，所有数值列都会被聚合，虽然有时可能会被过滤为一个子集。
无论你准备拿groupby做什么，都有可能会用到GroupBy的size方法，它可以返回一个含有分组大小的Series：
>>> df.groupby(['key1', 'key2']).size()
key1 key2
a one 2
two 1
b one 1
two 1
dtype: int64
注意：分组键中的任何缺失值都会被排除在结果之外。
4、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）。看看下面这个简单的数据集：
>>> for name, group in df.groupby('key1'):
... print(name)
... print(group)
...
a
data1 data2 key1 key2
0 -0.410673 0.519378 a one
1 -2.120793 0.199074 a two
4 -1.017495 -0.530459 a one
b
data1 data2 key1 key2
2 0.642216 -0.143671 b one
3 0.975133 -0.592994 b two
对于多重键的情况，元组的第一个元素将会是由键值组成的元组：
>>> for (k1, k2), group in df.groupby(['key1', 'key2']):
... print k1, k2
... print group
...
a one
data1 data2 key1 key2
0 -0.410673 0.519378 a one
4 -1.017495 -0.530459 a one
a two
data1 data2 key1 key2
1 -2.120793 0.199074 a two
b one
data1 data2 key1 key2
2 0.642216 -0.143671 b one
b two
data1 data2 key1 key2
3 0.975133 -0.592994 b two
当然，你可以对这些数据片段做任何操作。有一个你可能会觉得有用的运算：将这些数据片段做成一个字典：
>>> pieces = dict(list(df.groupby('key1')))
>>> pieces['b']
data1 data2 key1 key2
2 0.642216 -0.143671 b one
3 0.975133 -0.592994 b two
>>> df.groupby('key1')
<pandas.core.groupby.DataFrameGroupBy object at 0x0413AE30>
>>> list(df.groupby('key1'))
[('a', data1 data2 key1 key2
0 -0.410673 0.519378 a one
1 -2.120793 0.199074 a two
4 -1.017495 -0.530459 a one), ('b', data1 data2 key1 key2
2 0.642216 -0.143671 b one
3 0.975133 -0.592994 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。那上面例子中的df来说，我们可以根据dtype对列进行分组：
>>> df.dtypes
data1 float64
data2 float64
key1 object
key2 object
dtype: object
>>> grouped = df.groupby(df.dtypes, axis=1)
>>> dict(list(grouped))
{dtype('O'): key1 key2
0 a one
1 a two
2 b one
3 b two
4 a one, dtype('float64'): data1 data2
0 -0.410673 0.519378
1 -2.120793 0.199074
2 0.642216 -0.143671
3 0.975133 -0.592994
4 -1.017495 -0.530459}
>>> grouped
<pandas.core.groupby.DataFrameGroupBy object at 0x041288F0>
>>> list(grouped)
[(dtype('float64'), data1 data2
0 -0.410673 0.519378
1 -2.120793 0.199074
2 0.642216 -0.143671
3 0.975133 -0.592994
4 -1.017495 -0.530459), (dtype('O'), key1 key2
0 a one
1 a two
2 b one
3 b two
4 a one)]
5、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，即：
>>> df.groupby('key1')['data1']
<pandas.core.groupby.SeriesGroupBy object at 0x06615FD0>
>>> df.groupby('key1')['data2']
<pandas.core.groupby.SeriesGroupBy object at 0x06615CB0>
>>> df.groupby('key1')[['data2']]
<pandas.core.groupby.DataFrameGroupBy object at 0x06615F10>
和以下代码是等效的：
>>> df['data1'].groupby([df['key1']]) <pandas.core.groupby.SeriesGroupBy object at 0x06615FD0> >>> df[['data2']].groupby([df['key1']]) <pandas.core.groupby.DataFrameGroupBy object at 0x06615F10> >>> df['data2'].groupby([df['key1']]) <pandas.core.groupby.SeriesGroupBy object at 0x06615E30>
尤其对于大数据集，很可能只需要对部分列进行聚合。例如，在前面那个数据集中，如果只需计算data2列的平均值并以DataFrame形式得到结果，代码如下：
>>> df.groupby(['key1', 'key2'])[['data2']].mean()
data2
key1 key2
a one -0.005540
two 0.199074
b one -0.143671
two -0.592994
>>> df.groupby(['key1', 'key2'])['data2'].mean()
key1 key2
a one -0.005540
two 0.199074
b one -0.143671
two -0.592994
Name: data2, dtype: float64
这种索引操作所返回的对象是一个已分组的DataFrame（如果传入的是列表或数组）或已分组的Series（如果传入的是标量形式的单个列明）：
>>> s_grouped = df.groupby(['key1', 'key2'])['data2']
>>> s_grouped
<pandas.core.groupby.SeriesGroupBy object at 0x06615B10>
>>> s_grouped.mean()
key1 key2
a one -0.005540
two 0.199074
b one -0.143671
two -0.592994
Name: data2, dtype: float64
6、通过字典或Series进行分组
除数组以外，分组信息还可以其他形式存在，来看一个DataFrame示例：
>>> people = pd.DataFrame(np.random.randn(5, 5),
... columns=['a', 'b', 'c', 'd', 'e'],
... index=['Joe', 'Steve', 'Wes', 'Jim', 'Travis']
... )
>>> people
a b c d e
Joe 0.306336 -0.139431 0.210028 -1.489001 -0.172998
Steve 0.998335 0.494229 0.337624 -1.222726 -0.402655
Wes 1.415329 0.450839 -1.052199 0.731721 0.317225
Jim 0.550551 3.201369 0.669713 0.725751 0.577687
Travis -2.013278 -2.010304 0.117713 -0.545000 -1.228323
>>> people.ix[2:3, ['b', 'c']] = np.nan
假设已知列的分组关系，并希望根据分组计算列的总计：
>>> mapping = {'a':'red', 'b':'red', 'c':'blue',
... 'd':'blue', 'e':'red', 'f':'orange'}
>>> mapping
{'a': 'red', 'c': 'blue', 'b': 'red', 'e': 'red', 'd': 'blue', 'f': 'orange'}
>>> type(mapping)
<type 'dict'>
现在，只需将这个字典传给groupby即可：
>>> by_column = people.groupby(mapping, axis=1)
>>> by_column
<pandas.core.groupby.DataFrameGroupBy object at 0x066150F0>
>>> by_column.sum()
blue red
Joe -1.278973 -0.006092
Steve -0.885102 1.089908
Wes 0.731721 1.732554
Jim 1.395465 4.329606
Travis -0.427287 -5.251905
Series也有同样的功能，它可以被看做一个固定大小的映射。对于上面那个例子，如果用Series作为分组键，则pandas会检查Series以确保其索引跟分组轴是对齐的：
>>> map_series = pd.Series(mapping)
>>> map_series
a red
b red
c blue
d blue
e red
f orange
dtype: object
>>> people.groupby(map_series, axis=1).count()
blue red
Joe 2 3
Steve 2 3
Wes 1 2
Jim 2 3
Travis 2 3
7、通过函数进行分组
相较于字典或Series，Python函数在定义分组映射关系时可以更有创意且更为抽象。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。
具体点说，以DataFrame为例，其索引值为人的名字。假设你希望根据人名的长度进行分组，虽然可以求取一个字符串长度数组，但其实仅仅传入len函数即可：
>> people.groupby(len).sum()
a b c d e
3 2.272216 3.061938 0.879741 -0.031529 0.721914
5 0.998335 0.494229 0.337624 -1.222726 -0.402655
6 -2.013278 -2.010304 0.117713 -0.545000 -1.228323
将函数跟数组、列表、字典、Series混合使用也不是问题，因为任何东西最终都会被转换为数组：
>>> key_list = ['one', 'one', 'one', 'two', 'two']
>>> people.groupby([len, key_list]).min()
a b c d e
3 one 0.306336 -0.139431 0.210028 -1.489001 -0.172998
two 0.550551 3.201369 0.669713 0.725751 0.577687
5 one 0.998335 0.494229 0.337624 -1.222726 -0.402655
6 two -2.013278 -2.010304 0.117713 -0.545000 -1.228323
8、根据索引级别分组
层次化索引数据集最方便的地方在于它能够根据索引级别进行聚合。要实现该目的，通过level关键字传入级别编号或名称即可：
>>> columns = pd.MultiIndex.from_arrays([['US', 'US', 'US', 'JP', 'JP'], ... [1, 3, 5, 1, 3]], names=['cty', 'tenor']) >>> columns MultiIndex [US 1, 3, 5, JP 1, 3] >>> hier_df = pd.DataFrame(np.random.randn(4, 5), columns=columns) >>> hier_df cty US JP tenor 1 3 5 1 3 0 -0.166600 0.248159 -0.082408 -0.710841 -0.097131 1 -1.762270 0.687458 1.235950 -1.407513 1.304055 2 1.089944 0.258175 -0.749688 -0.851948 1.687768 3 -0.378311 -0.078268 0.247147 -0.018829 0.744540 >>> hier_df.groupby(level='cty', axis=1).count() cty JP US 0 2 3 1 2 3 2 2 3 3 2 3
