pandas聚合和分组运算之groupby

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）：

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

>>> 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：

1 2 3

>>> 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：

1 2 3 4 5

>>> 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：

1 2 3 4 5 6 7 8

>>> 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）：

1 2 3 4 5

>>> 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：

1 2 3 4 5 6 7 8

>>> 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：

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

>>> 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：

1 2 3 4 5 6 7

>>> 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：

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

>>> 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：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

>>> 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：

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

>>> 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：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

>>> 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}

 

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

>>> 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：

1 2 3 4 5 6

>>> 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：

1 2 3 4 5 6

>>> 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：

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

>>> 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）：

1 2 3 4 5 6 7 8 9 10

>>> 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：

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

>>> 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：

1 2 3 4 5 6

>>> 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：

1 2 3 4 5 6 7 8 9 10

>>> 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：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

>>> 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：

1 2 3 4 5

>> 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：

1 2 3 4 5 6 7

>>> 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：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

>>> 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