分组依据:拆分-应用-合并# 我们所说的“分组依据”是指涉及以下一个或多个步骤的过程: 根据某些标准将数据分成几组。 独立地将函数应用于每个组。 将结果组合成数据结构。 其中,分割步骤是最简单的。在应用步骤中,我们可能希望执行以下操作之一: 聚合:计算每个组的汇总统计量(或多个统计量)。一些例子: 计算组总和或平均值。 计算组大小/计数。 转换:执行一些特定于组的计算并返回类似索引的对象。一些例子: 标准化组内的数据 (zscore)。 使用从每个组派生的值填充组内的 NA。 过滤:根据计算结果为 True 或 False 的分组计算,丢弃一些组。一些例子: 丢弃属于只有少数成员的组的数据。 根据组总和或平均值过滤数据。 其中许多操作是在 GroupBy 对象上定义的。这些操作与聚合 API、 窗口 API和重新采样 API的操作类似。 给定的操作可能不属于这些类别之一,或者是它们的某种组合。在这种情况下,可以使用 GroupBy 的apply方法来计算操作。此方法将检查应用步骤的结果,如果不属于上述三个类别中的任何一个,则尝试将它们合理地组合成单个结果。 笔记 使用内置 GroupBy 操作分为多个步骤的操作将比使用apply带有用户定义的 Python 函数的方法更有效。 对于那些使用过基于 SQL 的工具(或itertools)的人来说,GroupBy 这个名称应该非常熟悉,您可以在其中编写如下代码: SELECT Column1, Column2, mean(Column3), sum(Column4) FROM SomeTable GROUP BY Column1, Column2 我们的目标是让这样的操作自然且易于使用 pandas 来表达。我们将讨论 GroupBy 功能的每个领域,然后提供一些重要的示例/用例。 请参阅食谱了解一些高级策略。 将对象分成组# 分组的抽象定义是提供标签到组名称的映射。要创建 GroupBy 对象(稍后将详细介绍 GroupBy 对象),您可以执行以下操作: In [1]: speeds = pd.DataFrame( ...: [ ...: ("bird", "Falconiformes", 389.0), ...: ("bird", "Psittaciformes", 24.0), ...: ("mammal", "Carnivora", 80.2), ...: ("mammal", "Primates", np.nan), ...: ("mammal", "Carnivora", 58), ...: ], ...: index=["falcon", "parrot", "lion", "monkey", "leopard"], ...: columns=("class", "order", "max_speed"), ...: ) ...: In [2]: speeds Out[2]: class order max_speed falcon bird Falconiformes 389.0 parrot bird Psittaciformes 24.0 lion mammal Carnivora 80.2 monkey mammal Primates NaN leopard mammal Carnivora 58.0 In [3]: grouped = speeds.groupby("class") In [4]: grouped = speeds.groupby(["class", "order"]) 可以通过多种不同的方式指定映射: 一个 Python 函数,将在每个索引标签上调用。 与索引长度相同的列表或 NumPy 数组。 一个 dict 或Series,提供映射。label -> group name 对于DataFrame对象,一个字符串,指示要用于分组的列名称或索引级别名称。 上述任何事物的列表。 我们将分组对象统称为键。例如,考虑以下情况DataFrame: 笔记 传递给的字符串groupby可以引用列或索引级别。如果一个字符串同时匹配列名和索引级别名称, ValueError则会引发 a 。 In [5]: 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), ...: } ...: ) ...: In [6]: df Out[6]: A B C D 0 foo one 0.469112 -0.861849 1 bar one -0.282863 -2.104569 2 foo two -1.509059 -0.494929 3 bar three -1.135632 1.071804 4 foo two 1.212112 0.721555 5 bar two -0.173215 -0.706771 6 foo one 0.119209 -1.039575 7 foo three -1.044236 0.271860 在 DataFrame 上,我们通过调用获取 GroupBy 对象groupby()。该方法返回一个pandas.api.typing.DataFrameGroupBy实例。我们自然可以按A或B列或两者进行分组: In [7]: grouped = df.groupby("A") In [8]: grouped = df.groupby("B") In [9]: grouped = df.groupby(["A", "B"]) 笔记 df.groupby('A')只是 的语法糖df.groupby(df['A'])。 A如果我们在列和上也有一个 MultiIndex B,我们可以按除我们指定的列之外的所有列进行分组: In [10]: df2 = df.set_index(["A", "B"]) In [11]: grouped = df2.groupby(level=df2.index.names.difference(["B"])) In [12]: grouped.sum() Out[12]: C D A bar -1.591710 -1.739537 foo -0.752861 -1.402938 上面的 GroupBy 将在其索引(行)上拆分 DataFrame。要按列分割,首先进行转置: In [13]: def get_letter_type(letter): ....: if letter.lower() in 'aeiou': ....: return 'vowel' ....: else: ....: return 'consonant' ....: In [14]: grouped = df.T.groupby(get_letter_type) pandasIndex对象支持重复值。如果在 groupby 操作中使用非唯一索引作为组键,则同一索引值的所有值将被视为在一组中,因此聚合函数的输出将仅包含唯一索引值: In [15]: index = [1, 2, 3, 1, 2, 3] In [16]: s = pd.Series([1, 2, 3, 10, 20, 30], index=index) In [17]: s Out[17]: 1 1 2 2 3 3 1 10 2 20 3 30 dtype: int64 In [18]: grouped = s.groupby(level=0) In [19]: grouped.first() Out[19]: 1 1 2 2 3 3 dtype: int64 In [20]: grouped.last() Out[20]: 1 10 2 20 3 30 dtype: int64 In [21]: grouped.sum() Out[21]: 1 11 2 22 3 33 dtype: int64 请注意,直到需要时才会发生拆分。创建 GroupBy 对象仅验证您是否传递了有效的映射。 笔记 许多种复杂的数据操作都可以用 GroupBy 操作来表达(尽管不能保证它是最有效的实现)。您可以利用标签映射功能发挥创意。 分组排序# 默认情况下,组键在groupby操作期间进行排序。然而,您可能会忽视sort=False潜在的加速。组键之间的顺序遵循sort=False原始数据帧中键的出现顺序: In [22]: df2 = pd.DataFrame({"X": ["B", "B", "A", "A"], "Y": [1, 2, 3, 4]}) In [23]: df2.groupby(["X"]).sum() Out[23]: Y X A 7 B 3 In [24]: df2.groupby(["X"], sort=False).sum() Out[24]: Y X B 3 A 7 请注意,这将保留每组中观察结果groupby的排序顺序。例如,下面创建的组按照它们在原始文件中出现的顺序排列:groupby()DataFrame In [25]: df3 = pd.DataFrame({"X": ["A", "B", "A", "B"], "Y": [1, 4, 3, 2]}) In [26]: df3.groupby("X").get_group("A") Out[26]: X Y 0 A 1 2 A 3 In [27]: df3.groupby(["X"]).get_group(("B",)) Out[27]: X Y 1 B 4 3 B 2 分组依据 dropna # 默认情况下,NA在操作过程中值会从组键中排除groupby。但是,如果您想NA在组键中包含值,您可以通过传递dropna=False来实现它。 In [28]: df_list = [[1, 2, 3], [1, None, 4], [2, 1, 3], [1, 2, 2]] In [29]: df_dropna = pd.DataFrame(df_list, columns=["a", "b", "c"]) In [30]: df_dropna Out[30]: a b c 0 1 2.0 3 1 1 NaN 4 2 2 1.0 3 3 1 2.0 2 # Default ``dropna`` is set to True, which will exclude NaNs in keys In [31]: df_dropna.groupby(by=["b"], dropna=True).sum() Out[31]: a c b 1.0 2 3 2.0 2 5 # In order to allow NaN in keys, set ``dropna`` to False In [32]: df_dropna.groupby(by=["b"], dropna=False).sum() Out[32]: a c b 1.0 2 3 2.0 2 5 NaN 1 4 参数的默认设置dropna是True这意味着NA不包含在组键中。 GroupBy 对象属性# 该groups属性是一个字典,其键是计算出的唯一组,对应的值是属于每个组的轴标签。在上面的例子中我们有: In [33]: df.groupby("A").groups Out[33]: {'bar': [1, 3, 5], 'foo': [0, 2, 4, 6, 7]} In [34]: df.T.groupby(get_letter_type).groups Out[34]: {'consonant': ['B', 'C', 'D'], 'vowel': ['A']} 对 GroupBy 对象调用标准 Pythonlen函数会返回组数,该数与groups字典的长度相同: In [35]: grouped = df.groupby(["A", "B"]) In [36]: grouped.groups Out[36]: {('bar', 'one'): [1], ('bar', 'three'): [3], ('bar', 'two'): [5], ('foo', 'one'): [0, 6], ('foo', 'three'): [7], ('foo', 'two'): [2, 4]} In [37]: len(grouped) Out[37]: 6 GroupBy将选项卡完整的列名称、GroupBy 操作和其他属性: In [38]: n = 10 In [39]: weight = np.random.normal(166, 20, size=n) In [40]: height = np.random.normal(60, 10, size=n) In [41]: time = pd.date_range("1/1/2000", periods=n) In [42]: gender = np.random.choice(["male", "female"], size=n) In [43]: df = pd.DataFrame( ....: {"height": height, "weight": weight, "gender": gender}, index=time ....: ) ....: In [44]: df Out[44]: height weight gender 2000-01-01 42.849980 157.500553 male 2000-01-02 49.607315 177.340407 male 2000-01-03 56.293531 171.524640 male 2000-01-04 48.421077 144.251986 female 2000-01-05 46.556882 152.526206 male 2000-01-06 68.448851 168.272968 female 2000-01-07 70.757698 136.431469 male 2000-01-08 58.909500 176.499753 female 2000-01-09 76.435631 174.094104 female 2000-01-10 45.306120 177.540920 male In [45]: gb = df.groupby("gender") In [46]: gb.<TAB> # noqa: E225, E999 gb.agg gb.boxplot gb.cummin gb.describe gb.filter gb.get_group gb.height gb.last gb.median gb.ngroups gb.plot gb.rank gb.std gb.transform gb.aggregate gb.count gb.cumprod gb.dtype gb.first gb.groups gb.hist gb.max gb.min gb.nth gb.prod gb.resample gb.sum gb.var gb.apply gb.cummax gb.cumsum gb.fillna gb.gender gb.head gb.indices gb.mean gb.name gb.ohlc gb.quantile gb.size gb.tail gb.weight 具有多重索引的 GroupBy # 对于分层索引的数据,按层次结构的某一级别进行分组是很自然的。 让我们创建一个具有两级的 Series MultiIndex。 In [47]: arrays = [ ....: ["bar", "bar", "baz", "baz", "foo", "foo", "qux", "qux"], ....: ["one", "two", "one", "two", "one", "two", "one", "two"], ....: ] ....: In [48]: index = pd.MultiIndex.from_arrays(arrays, names=["first", "second"]) In [49]: s = pd.Series(np.random.randn(8), index=index) In [50]: s Out[50]: first second bar one -0.919854 two -0.042379 baz one 1.247642 two -0.009920 foo one 0.290213 two 0.495767 qux one 0.362949 two 1.548106 dtype: float64 然后我们可以按 中的一个级别进行分组s。 In [51]: grouped = s.groupby(level=0) In [52]: grouped.sum() Out[52]: first bar -0.962232 baz 1.237723 foo 0.785980 qux 1.911055 dtype: float64 如果 MultiIndex 指定了名称,则可以传递这些名称而不是级别编号: In [53]: s.groupby(level="second").sum() Out[53]: second one 0.980950 two 1.991575 dtype: float64 支持多级别分组。 In [54]: arrays = [ ....: ["bar", "bar", "baz", "baz", "foo", "foo", "qux", "qux"], ....: ["doo", "doo", "bee", "bee", "bop", "bop", "bop", "bop"], ....: ["one", "two", "one", "two", "one", "two", "one", "two"], ....: ] ....: In [55]: index = pd.MultiIndex.from_arrays(arrays, names=["first", "second", "third"]) In [56]: s = pd.Series(np.random.randn(8), index=index) In [57]: s Out[57]: first second third bar doo one -1.131345 two -0.089329 baz bee one 0.337863 two -0.945867 foo bop one -0.932132 two 1.956030 qux bop one 0.017587 two -0.016692 dtype: float64 In [58]: s.groupby(level=["first", "second"]).sum() Out[58]: first second bar doo -1.220674 baz bee -0.608004 foo bop 1.023898 qux bop 0.000895 dtype: float64 索引级别名称可以作为键提供。 In [59]: s.groupby(["first", "second"]).sum() Out[59]: first second bar doo -1.220674 baz bee -0.608004 foo bop 1.023898 qux bop 0.000895 dtype: float64 稍后将详细介绍sum函数和聚合。 使用索引级别和列对 DataFrame 进行分组# DataFrame 可以按列和索引级别的组合进行分组。您可以指定列名称和索引名称,或使用Grouper. 让我们首先创建一个带有 MultiIndex 的 DataFrame: In [60]: arrays = [ ....: ["bar", "bar", "baz", "baz", "foo", "foo", "qux", "qux"], ....: ["one", "two", "one", "two", "one", "two", "one", "two"], ....: ] ....: In [61]: index = pd.MultiIndex.from_arrays(arrays, names=["first", "second"]) In [62]: df = pd.DataFrame({"A": [1, 1, 1, 1, 2, 2, 3, 3], "B": np.arange(8)}, index=index) In [63]: df Out[63]: A B first second bar one 1 0 two 1 1 baz one 1 2 two 1 3 foo one 2 4 two 2 5 qux one 3 6 two 3 7 然后我们df按second索引级别和A列进行分组。 In [64]: df.groupby([pd.Grouper(level=1), "A"]).sum() Out[64]: B second A one 1 2 2 4 3 6 two 1 4 2 5 3 7 索引级别也可以通过名称指定。 In [65]: df.groupby([pd.Grouper(level="second"), "A"]).sum() Out[65]: B second A one 1 2 2 4 3 6 two 1 4 2 5 3 7 索引级别名称可以直接指定为 的键groupby。 In [66]: df.groupby(["second", "A"]).sum() Out[66]: B second A one 1 2 2 4 3 6 two 1 4 2 5 3 7 GroupBy 中的 DataFrame 列选择# 从 DataFrame 创建 GroupBy 对象后,您可能希望对每一列执行不同的操作。因此,通过以[]与从 DataFrame 获取列类似的方式使用 GroupBy 对象,您可以执行以下操作: In [67]: 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), ....: } ....: ) ....: In [68]: df Out[68]: A B C D 0 foo one -0.575247 1.346061 1 bar one 0.254161 1.511763 2 foo two -1.143704 1.627081 3 bar three 0.215897 -0.990582 4 foo two 1.193555 -0.441652 5 bar two -0.077118 1.211526 6 foo one -0.408530 0.268520 7 foo three -0.862495 0.024580 In [69]: grouped = df.groupby(["A"]) In [70]: grouped_C = grouped["C"] In [71]: grouped_D = grouped["D"] 这主要是替代方案的语法糖,它更加冗长: In [72]: df["C"].groupby(df["A"]) Out[72]: <pandas.core.groupby.generic.SeriesGroupBy object at 0x7ff2cef1c730> 此外,此方法避免重新计算从传递的密钥派生的内部分组信息。 如果您想对其进行操作,还可以包含分组列。 In [73]: grouped[["A", "B"]].sum() Out[73]: A B A bar barbarbar onethreetwo foo foofoofoofoofoo onetwotwoonethree 遍历组# 有了 GroupBy 对象,迭代分组数据就变得非常自然,其功能类似于itertools.groupby(): In [74]: grouped = df.groupby('A') In [75]: for name, group in grouped: ....: print(name) ....: print(group) ....: bar A B C D 1 bar one 0.254161 1.511763 3 bar three 0.215897 -0.990582 5 bar two -0.077118 1.211526 foo A B C D 0 foo one -0.575247 1.346061 2 foo two -1.143704 1.627081 4 foo two 1.193555 -0.441652 6 foo one -0.408530 0.268520 7 foo three -0.862495 0.024580 在按多个键分组的情况下,组名称将是一个元组: In [76]: for name, group in df.groupby(['A', 'B']): ....: print(name) ....: print(group) ....: ('bar', 'one') A B C D 1 bar one 0.254161 1.511763 ('bar', 'three') A B C D 3 bar three 0.215897 -0.990582 ('bar', 'two') A B C D 5 bar two -0.077118 1.211526 ('foo', 'one') A B C D 0 foo one -0.575247 1.346061 6 foo one -0.408530 0.268520 ('foo', 'three') A B C D 7 foo three -0.862495 0.02458 ('foo', 'two') A B C D 2 foo two -1.143704 1.627081 4 foo two 1.193555 -0.441652 请参阅迭代组。 选择一个组# 可以使用以下方法选择单个组 DataFrameGroupBy.get_group(): In [77]: grouped.get_group("bar") Out[77]: A B C D 1 bar one 0.254161 1.511763 3 bar three 0.215897 -0.990582 5 bar two -0.077118 1.211526 或者对于按多列分组的对象: In [78]: df.groupby(["A", "B"]).get_group(("bar", "one")) Out[78]: A B