利用Python进行数据分析-Pandas(第六部分-数据聚合与分组运算)
对数据集进行分组并对各组应用一个函数（无论是聚合还是转换），通常是数据分析工作中的重要环节。在将数据集加载、融合、准备好之后，通常是计算分组统计或生成透视表。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。
关系型数据库和SQL能够如此流行的原因之一就是能够方便地对数据进行连接、过滤、转换和聚合。但是，像SQL这样的查询语言所能执行的分组运算的种类很有限。在本部分你将会看到，由Python和pandas强大的表达能力，我们可以执行复杂得多的分组运算（利用任何可以接受pandas对象或NumPy数组的函数）。在本部分，你将会学到：
- 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。
- 计算分组的概述统计，比如数量、平均值或标准差，或是用户自定义的函数。
- 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。
- 执行分位数分宜以及其它统计分组分析。
1、GroupBy机制
Hadlley Wickham（许多热门R语言包的作者）创造了一个用于表示分组运算的术语"split-apply-combine"（拆分-应用-合并）。（在这里说一句题外话；对于Hadlley Wickham我在知乎上有做过详细的关于他对R语言的可视化包做了详尽的介绍，感兴趣的可以在这里查看：https://zhuanlan.zhihu.com/p/31929985）。第一个阶段，pandas对象（无论是Series、DataFrame还是其他的）中的数据会根据你所提供的一个或多个键被拆分（split）为多组。拆分操作是在对象的特定轴上执行的。例如，DataFrame可以在其行（axis=0）或列（axis=1）上进行分组。然后，将一个函数应用（apply）到各个分组并产生一个新值。最后，所有这些函数的执行结果会被合并（combine）到最终结果对象中。结果对象的形式一般取决于数据上所执行的操作。如下图大致说明了一个简单的分组聚合过程。
分组键可以由多种形式，且类型不必相同：
- 列表或数组，其长度与待分组的轴一样。
- 表示DataFrame某个列名的值。
- 字典或Series，给出待分组轴上的值与分组名之间的对应关系。
- 函数，用于处理轴索引或索引中的各个标签。
注意：后三种都只是快捷方式而已，其最终的目的仍然是产生一组用于拆分对象的值。如果觉得这些东西看起来很抽象，不用担心，将在本部分给出大量的栗子。首先来看看下面这个非常简单的表格型数据集：
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)})
print(df)
key1 key2 data1 data2 0 a one -1.749765 0.514219 1 a two 0.342680 0.221180 2 b one 1.153036 -1.070043 3 b two -0.252436 -0.189496 4 a one 0.981321 0.255001
假设你想要按key1进行分组，并计算data1列的平均值。实现该功能的方式有很多，而我们这里要用的是：访问data1，并根据key1调用groupby：
grouped = df['data1'].groupby(df['key1']) print(grouped)
<pandas.core.groupby.generic.SeriesGroupBy object at 0x000001D258A794A8>
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。换句话说，该对象已经有了接下来对各分组执行运算所需的一切信息。例如，我们可以调用GroupBy的mean方法来计算分组平局值：
print(grouped.mean())
key1 a -0.141921 b 0.450300 Name: data1, dtype: float64
稍后将详细讲解.mean()的调用过程。这里最重要的是，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。
如果我们一次传入多个数组的列表，就会得到不同的结果：
means = df['data1'].groupby([df['key1'], df['key2']]).mean() print(means)
key1 key2
a one -0.384222
two 0.342680
b one 1.153036
two -0.252436
Name: data1, dtype: float64
这里，我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）：
print(means.unstack())
key2 one two key1 a -0.384222 0.342680 b 1.153036 -0.252436
在这个例子中，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]) print(df['data1'].groupby([states, years]).mean())
California 2005 0.342680
2006 1.153036
Ohio 2005 -1.001101
2006 0.981321
Name: data1, dtype: float64
通常，分组信息就位于相同的要处理DataFrame中。这里，你还可以将列名（可以是字符串、数字或其他Python对象）用作分组键：
print(df.groupby('key1').mean())
data1 data2 key1 a -0.141921 0.330133 b 0.450300 -0.629770
print(df.groupby(['key1', 'key2']).mean())
data1 data2
key1 key2
a one -0.384222 0.384610
two 0.342680 0.221180
b one 1.153036 -1.070043
two -0.252436 -0.189496
你可能已经注意到了，第一个例子在执行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一个子集，稍后就会碰到。
无论你准备拿groupby做什么，都有可能会用到GroupBy的size方法，它还可以返回一个含有分组大小的Series:
print(df.groupby(['key1', 'key2']).size())
key1 key2
a one 2
two 1
b one 1
two 1
dtype: int64
注意，任何分组关键词中的缺失值，都会被从结果中除去。
2、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）。看下面的栗子：
for name, group in df.groupby('key1'): print(name) print(group)
a key1 key2 data1 data2 0 a one -1.749765 0.514219 1 a two 0.342680 0.221180 4 a one 0.981321 0.255001 b key1 key2 data1 data2 2 b one 1.153036 -1.070043 3 b two -0.252436 -0.189496
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')
key1 key2 data1 data2
0 a one -1.749765 0.514219
4 a one 0.981321 0.255001
('a', 'two')
key1 key2 data1 data2
1 a two 0.34268 0.22118
('b', 'one')
key1 key2 data1 data2
2 b one 1.153036 -1.070043
('b', 'two')
key1 key2 data1 data2
3 b two -0.252436 -0.189496
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'))) print(pieces['b'])
key1 key2 data1 data2 2 b one 1.153036 -1.070043 3 b two -0.252436 -0.189496
groupby默认是在axis=0上进行分组，通过设置也可以在其他任何轴上进行分组。拿上面的栗子中的df来说，我们可以根据dtype对列进行分组：
print(df.dtypes) grouped = df.groupby(df.dtypes, axis=1)
key1 object key2 object data1 float64 data2 float64 dtype: object
可以如下打印分组：
for dtype, group in grouped: print(dtype) print(group)
float64
data1 data2
0 -1.749765 0.514219
1 0.342680 0.221180
2 1.153036 -1.070043
3 -0.252436 -0.189496
4 0.981321 0.255001
object
key1 key2
0 a one
1 a two
2 b one
3 b two
4 a one
3、选取一列或列的子集
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。也就是说：
df.groupby('key1')['data1'] df.groupby('key')[['data2']]
是以下代码的语法糖：
df['data1'].groupby(df['key1']) df[['data2']].groupby(df['key1'])
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，可以这样写：
print(df.groupby(['key1', 'key2'])[['data2']].mean())
data2
key1 key2
a one 0.384610
two 0.221180
b one -1.070043
two -0.189496
这种索引操作所返回的对象是一个已知分组的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名）：
s_grouped = df.groupby(['key1', 'key2'])['data2'] print(s_grouped)
<pandas.core.groupby.generic.SeriesGroupBy object at 0x000001B28E96FBE0>
print(s_grouped.mean())
key1 key2
a one 0.384610
two 0.221180
b one -1.070043
two -0.189496
Name: data2, dtype: float64
4、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。来看另一个示例DataFrame:
np.random.seed(10) people = pd.DataFrame(np.random.rand(5, 5), columns=['a', 'b', 'c', 'd', 'e'], index=['Joe', 'Steve', 'Wes', 'Jim', 'Travis'] ) people.iloc[2:3, [1, 2]] = np.nan print(people)
a b c d e Joe 0.771321 0.020752 0.633648 0.748804 0.498507 Steve 0.224797 0.198063 0.760531 0.169111 0.088340 Wes 0.685360 NaN NaN 0.512192 0.812621 Jim 0.612526 0.721755 0.291876 0.917774 0.714576 Travis 0.542544 0.142170 0.373341 0.674134 0.441833
现在，假设已知列的分组关系，并希望根据分组计算列的和：
mapping = {'a': 'red', 'b': 'red', 'c': 'blue', 'd': 'blue', 'e': 'red', 'f': 'orange'}
现在，你可以将这个字典传给groupby，来构造数组，但我们可以直接传递字典（我包含了键“f”来强调，存在未使用的分组键是可以的）：
by_column = people.groupby(mapping, axis=1) print(by_column.sum())
blue red Joe 1.382452 1.290580 Steve 0.929642 0.511199 Wes 0.512192 1.497981 Jim 1.209650 2.048857 Travis 1.047474 1.126548
Series也有同样功能，它可以被看做一个固定大小的映射：
map_series = pd.Series(mapping) print(map_series)
a red b red c blue d blue e red f orange dtype: object
print(people.groupby(map_series, axis=1).count())
blue red Joe 2 3 Steve 2 3 Wes 1 2 Jim 2 3 Travis 2 3
5、通过函数进行分组
比起使用字典或Series，使用Python函数是一种更原生的方法定义分组映射。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，以上一节的示例DataFrame为例，其索引值为人的名字。你可以计算一个字符串长度的数组，更简单的方法是传入len函数：
print(people.groupby(len).sum())
a b c d e 3 2.069207 0.742507 0.925524 2.178770 2.025704 5 0.224797 0.198063 0.760531 0.169111 0.088340 6 0.542544 0.142170 0.373341 0.674134 0.441833
将函数跟数组、列表、字典、Series混合使用也不是问题，因为任何东西在内部都会被转为数组：
key_list = ['one', 'one', 'one', 'two', 'two'] print(people.groupby([len, key_list]).min())
a b c d e 3 one 0.685360 0.020752 0.633648 0.512192 0.498507 two 0.612526 0.721755 0.291876 0.917774 0.714576 5 one 0.224797 0.198063 0.760531 0.169111 0.088340 6 two 0.542544 0.142170 0.373341 0.674134 0.441833
6、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轴索引的一个级别进行聚合：
columns = pd.MultiIndex.from_arrays([['US', 'US', 'US', 'JP', 'JP'], [1, 3, 5, 1, 3]], names=['cty', 'tenor']) np.random.seed(10) hier_df = pd.DataFrame(np.random.rand(4, 5), columns=columns) print(hier_df)
cty US JP tenor 1 3 5 1 3 0 0.771321 0.020752 0.633648 0.748804 0.498507 1 0.224797 0.198063 0.760531 0.169111 0.088340 2 0.685360 0.953393 0.003948 0.512192 0.812621 3 0.612526 0.721755 0.291876 0.917774 0.714576
要根据级别分组，使用level关键字传递级别序号或名字：
print(hier_df.groupby(level='cty', axis=1).count())
cty JP US 0 2 3 1 2 3 2 2 3 3 2 3
7、数据聚合
聚合指的是任何能够从数组产生标量值的数据转换过程。之前的例子已经用过一些，比如mean、count、min以及sum等。你可能想知道在GroupBy对象上调用mean()时究竟发生了什么。许多常见的聚合函数都有进行优化。然而，除了这些方法，你还可以使用其他的：
| 函数名 | 说明 |
| count | 分组中非NA值的数量 |
| sum | 非NA值的和 |
| mean | 非NA值的平均值 |
| median | 非NA值的算术中位数 |
| std、var | 无偏（分母为n-1）标准差和方法 |
| min、max | 非NA值的最小值和最大值 |
| prod | 非NA值的积 |
| first、last | 第一个和最后一个非NA值 |
你可以使用自己发明的聚合函数，还可以调用分组对象上已经定义好的任何方法。例如，quantile可以计算Series或DataFrame列的样本分位数。
虽然quantile并没有明确地实现于groupBy，但它是一个Series方法，所以这里是能用的。实际上，GroupBy会高效地对Series进行切片，然后对各片调用piece.quantile(0.9)，最后将这些结果组装成最终结果：
grouped = df.groupby('key1') print(grouped['data1'].quantile(0.9))
key1 a 0.853593 b 1.012489 Name: data1, dtype: float64
如果要使用自己的聚合函数，只需将其传入aggregate或agg方法即可：
def peak_to_peak(arr): return arr.max() - arr.min() print(grouped.agg(peak_to_peak))
data1 data2 key1 a 2.731086 0.293039 b 1.405472 0.880547
你可能注意到，有些方法（如describe）也是可以用在这里的，即使严格来讲，它们并非聚合运算：
print(grouped.describe())
data1 ... data2
count mean std ... 50% 75% max
key1 ...
a 3.0 -0.141921 1.428579 ... 0.255001 0.384610 0.514219
b 2.0 0.450300 0.993819 ... -0.629770 -0.409633 -0.189496
[2 rows x 16 columns]
8、面向列的多函数应用
回到前面小费的例子。使用read_csv导入数据之后，我们添加了一个小费百分比的列tip_pct：
tips = pd.read_csv('tips.csv', encoding='utf-8') tips['tip_pct'] = tips['tip']/tips['total_bill'] print(tips[:6])
total_bill tip sex smoker day time size tip_pct 0 16.99 1.01 Female No Sun Dinner 2 0.059447 1 10.34 1.66 Male No Sun Dinner 3 0.160542 2 21.01 3.50 Male No Sun Dinner 3 0.166587 3 23.68 3.31 Male No Sun Dinner 2 0.139780 4 24.59 3.61 Female No Sun Dinner 4 0.146808 5 25.29 4.71 Male No Sun Dinner 4 0.186240
你已经看到，对Series或DataFrame列的聚合运算其实就是使用aggregate（使用自定义函数）或调用诸如mean、std之类的方法。然而，你可能希望对不同的列使用不同的聚合函数，或一次应用多个函数。其实这也好办，将通过一些示例来进行讲解。首先，根据天和smoker对tips进行分组：
grouped = tips.groupby(['day', 'smoker']) grouped_pct = grouped['tip_pct'] print(grouped_pct.agg('mean'))
day smoker
Fri No 0.151650
Yes 0.174783
Sat No 0.158048
Yes 0.147906
Sun No 0.160113
Yes 0.187250
Thur No 0.160298
Yes 0.163863
Name: tip_pct, dtype: float64
如果传入一组函数或函数名，得到的DataFrame的列就会以相应的函数命名：
print(grouped_pct.agg(['mean', 'std', peak_to_peak]))
mean std peak_to_peak
day smoker
Fri No 0.151650 0.028123 0.067349
Yes 0.174783 0.051293 0.159925
Sat No 0.158048 0.039767 0.235193
Yes 0.147906 0.061375 0.290095
Sun No 0.160113 0.042347 0.193226
Yes 0.187250 0.154134 0.644685
Thur No 0.160298 0.038774 0.193350
Yes 0.163863 0.039389 0.151240
这里，我们传递了一组聚合函数进行聚合，独立对数据分组进行评估。
你并非一定要接受GroupBy自动给出的那些列名，特别是lambda函数，它们的名称是'<lambda>'，这样的辨识度就很低了（通过函数的name属性看看就知道了）。因此，如果传入的是一个由（name, function）元组组成的列表，则各元组的第一个元素就会被用作DataFrame的列名（可以将这种二元元组列表看做一个有序映射）：
print(grouped_pct.agg([('foo', 'mean'), ('bar', np.std)]))
foo bar
day smoker
Fri No 0.151650 0.028123
Yes 0.174783 0.051293
Sat No 0.158048 0.039767
Yes 0.147906 0.061375
Sun No 0.160113 0.042347
Yes 0.187250 0.154134
Thur No 0.160298 0.038774
Yes 0.163863 0.039389
对于DataFrame，你还有更多选择，你可以定义一组应用于全部列的一组函数，或不同的列应用不同的函数。假设我们想要对tip_pct和total_bill列计算三个统计信息：
functions = ['count', 'mean', 'max'] result = grouped['tip_pct', 'total_bill'].agg(functions) print(result)
tip_pct total_bill
count mean max count mean max
day smoker
Fri No 4 0.151650 0.187735 4 18.420000 22.75
Yes 15 0.174783 0.263480 15 16.813333 40.17
Sat No 45 0.158048 0.291990 45 19.661778 48.33
Yes 42 0.147906 0.325733 42 21.276667 50.81
Sun No 57 0.160113 0.252672 57 20.506667 48.17
Yes 19 0.187250 0.710345 19 24.120000 45.35
Thur No 45 0.160298 0.266312 45 17.113111 41.19
Yes 17 0.163863 0.241255 17 19.190588 43.11
如你所见，结果DataFrame拥有层次化的列，这相当于分别对各列进行聚合，然后用concat将结果组装到一起，使用列名用做keys参数：
print(result['tip_pct'])
count mean max
day smoker
Fri No 4 0.151650 0.187735
Yes 15 0.174783 0.263480
Sat No 45 0.158048 0.291990
Yes 42 0.147906 0.325733
Sun No 57 0.160113 0.252672
Yes 19 0.187250 0.710345
Thur No 45 0.160298 0.266312
Yes 17 0.163863 0.241255
跟前面一样，这里也可以传入带有自定义名称的一组元组：
print(grouped['tip_pct', 'total_bill'].agg(ftuples))
Durchschnitt Abweichung Durchschnitt Abweichung
day smoker
Fri No 0.151650 0.000791 18.420000 25.596333
Yes 0.174783 0.002631 16.813333 82.562438
Sat No 0.158048 0.001581 19.661778 79.908965
Yes 0.147906 0.003767 21.276667 101.387535
Sun No 0.160113 0.001793 20.506667 66.099980
Yes 0.187250 0.023757 24.120000 109.046044
Thur No 0.160298 0.001503 17.113111 59.625081
Yes 0.163863 0.001551 19.190588 69.808518
现在，假设你想要对一个列或不同的列应用不同的函数。具体的办法是向agg传入一个从列名映射到函数的字典：
print(grouped.agg({'tip': np.max, 'size': 'sum'}))
tip size
day smoker
Fri No 3.50 9
Yes 4.73 31
Sat No 9.00 115
Yes 10.00 104
Sun No 6.00 167
Yes 6.50 49
Thur No 6.70 112
Yes 5.00 40
print(grouped.agg({'tip_pct': ['min', 'max', 'mean', 'std'], 'size': 'sum'}))
tip_pct size
min max mean std sum
day smoker
Fri No 0.120385 0.187735 0.151650 0.028123 9
Yes 0.103555 0.263480 0.174783 0.051293 31
Sat No 0.056797 0.291990 0.158048 0.039767 115
Yes 0.035638 0.325733 0.147906 0.061375 104
Sun No 0.059447 0.252672 0.160113 0.042347 167
Yes 0.065660 0.710345 0.187250 0.154134 49
Thur No 0.072961 0.266312 0.160298 0.038774 112
Yes 0.090014 0.241255 0.163863 0.039389 40
只有将多个函数应用到至少一列时，DataFrame才会拥有层次化的列。
9、以“没有行索引”的形式返回聚合数据
到目前为止，所有示例中的聚合数据都有唯一的分组键组成的索引（可能还是层次化的）。由于并不总是需要如此，所以你可以向groupby传入as_index=False以禁用该功能：
print(tips.groupby(['day', 'smoker'], as_index=False).mean())
day smoker total_bill tip size tip_pct 0 Fri No 18.420000 2.812500 2.250000 0.151650 1 Fri Yes 16.813333 2.714000 2.066667 0.174783 2 Sat No 19.661778 3.102889 2.555556 0.158048 3 Sat Yes 21.276667 2.875476 2.476190 0.147906 4 Sun No 20.506667 3.167895 2.929825 0.160113 5 Sun Yes 24.120000 3.516842 2.578947 0.187250 6 Thur No 17.113111 2.673778 2.488889 0.160298 7 Thur Yes 19.190588 3.030000 2.352941 0.163863
当然，对结果调用reset_index也能得到这种形式的结果。使用as_index=False方法可以避免一些不必要的计算。
10、apply：一般性的“拆分-应用-合并”
最通用的GroupBy方法是apply，本节剩余部分将重点讲解它。如图所示，apply会将待处理的对象拆分成多个片段，然后对各片段调用传入的函数，最后尝试将各片段组合到一起：
回到之前那个小费数据集，假设你想要根据分组选出最高的5个tip_pct值。首先，编写一个选取指定列具有最大值的行的函数：
def top(df, n=5, column='tip_pct'): return df.sort_values(by=column)[-n:] print(top(tips, n=6))
total_bill tip sex smoker day time size tip_pct 109 14.31 4.00 Female Yes Sat Dinner 2 0.279525 183 23.17 6.50 Male Yes Sun Dinner 4 0.280535 232 11.61 3.39 Male No Sat Dinner 2 0.291990 67 3.07 1.00 Female Yes Sat Dinner 1 0.325733 178 9.60 4.00 Female Yes Sun Dinner 2 0.416667 172 7.25 5.15 Male Yes Sun Dinner 2 0.710345
现在，如果对smoker分组并用该函数调用apply，就会得到：
print(tips.groupby('smoker').apply(top))
total_bill tip sex smoker day time size tip_pct
smoker
No 88 24.71 5.85 Male No Thur Lunch 2 0.236746
185 20.69 5.00 Male No Sun Dinner 5 0.241663
51 10.29 2.60 Female No Sun Dinner 2 0.252672
149 7.51 2.00 Male No Thur Lunch 2 0.266312
232 11.61 3.39 Male No Sat Dinner 2 0.291990
Yes 109 14.31 4.00 Female Yes Sat Dinner 2 0.279525
183 23.17 6.50 Male Yes Sun Dinner 4 0.280535
67 3.07 1.00 Female Yes Sat Dinner 1 0.325733
178 9.60 4.00 Female Yes Sun Dinner 2 0.416667
172 7.25 5.15 Male Yes Sun Dinner 2 0.710345
这里发生了什么？top函数在DataFrame的各个片段上调用，然后结果由pandas.concat组装到一起，并以分组名称进行了标记。于是，最终结果就有了一个层次化索引，其内层索引值来自原DataFrame。
如果传给apply的函数能够接受其他参数或关键字，则可以将这些内容放在函数名后面一并传入：
print(tips.groupby(['smoker', 'day']).apply(top, n=1, column='total_bill'))
total_bill tip sex smoker day time size tip_pct
smoker day
No Fri 94 22.75 3.25 Female No Fri Dinner 2 0.142857
Sat 212 48.33 9.00 Male No Sat Dinner 4 0.186220
Sun 156 48.17 5.00 Male No Sun Dinner 6 0.103799
Thur 142 41.19 5.00 Male No Thur Lunch 5 0.121389
Yes Fri 95 40.17 4.73 Male Yes Fri Dinner 4 0.117750
Sat 170 50.81 10.00 Male Yes Sat Dinner 3 0.196812
Sun 182 45.35 3.50 Male Yes Sun Dinner 3 0.077178
Thur 197 43.11 5.00 Female Yes Thur Lunch 4 0.115982
除了这些基本用法之外，能否充分发挥apply的威力很大程度取决于你的创造力。传入的那个函数能做什么全由你说了算，它只需返回一个pandas对象或标量值即可。本章后续部分的示例主要用于讲解如何利用groupby解决各种各样的问题。
11、禁止分组键
从上面的例子中可以看出，分组键会跟原始对象的索引共同构成结果对象中的层次化索引。将group_keys=False传入groupby即可禁止该效果。
print(tips.groupby('smoker', group_keys= False).apply(top))
total_bill tip sex smoker day time size tip_pct 88 24.71 5.85 Male No Thur Lunch 2 0.236746 185 20.69 5.00 Male No Sun Dinner 5 0.241663 51 10.29 2.60 Female No Sun Dinner 2 0.252672 149 7.51 2.00 Male No Thur Lunch 2 0.266312 232 11.61 3.39 Male No Sat Dinner 2 0.291990 109 14.31 4.00 Female Yes Sat Dinner 2 0.279525 183 23.17 6.50 Male Yes Sun Dinner 4 0.280535 67 3.07 1.00 Female Yes Sat Dinner 1 0.325733 178 9.60 4.00 Female Yes Sun Dinner 2 0.416667 172 7.25 5.15 Male Yes Sun Dinner 2 0.710345
12、分位数和桶分析
曾在第8章中讲过，pandas有一些能够根据指定面元或样本分位数将数据拆分成多块的工具（比如cut和qcut）。将这些函数跟groupby结合起来，就能非常轻松的实现对数据集的桶（bucket）或分位数（quantile）分析了。以下面这个简单的随机数据集为例，我们利用cut将其装入长度相等的桶中：
持续更新中......
