利用Python进行数据分析--数据聚合与分组运算1

转载自：/ssw_1990/article/details/22286583

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、分组键可以有多种形式，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，其最终目的仍然是产生一组用于拆分对象的值。

2、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）：

[python]  view plain copy

1. >>> import pandas as pd  
2. >>> df = ({'key1':['a', 'a', 'b', 'b', 'a'],  
3. ...     'key2':['one', 'two', 'one', 'two', 'one'],  
4. ...     'data1':(5),  
5. ...     'data2':(5)})  
6. >>> df  
7.       data1     data2 key1 key2  
8. 0 -0.410673  0.519378    a  one  
9. 1 -2.120793  0.199074    a  two  
10. 2  0.642216 -0.143671    b  one  
11. 3  0.975133 -0.592994    b  two  
12. 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：

[python]  view plain copy

1. >>> grouped = df['data1'].groupby(df['key1'])  
2. >>> grouped  
3. < 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：

[python]  view plain copy

1. >>> ()  
2. key1  
3. a      -1.182987  
4. b       0.808674  
5. 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。

3、如果我们一次传入多个数组，就会得到不同的结果：

[python]  view plain copy

1. >>> means = df['data1'].groupby([df['key1'], df['key2']]).mean()  
2. >>> means  
3. key1  key2  
4. a     one    -0.714084  
5.       two    -2.120793  
6. b     one     0.642216  
7.       two     0.975133  
8. 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）：

[python]  view plain copy

1. >>> ()  
2. key2       one       two  
3. key1                      
4. a    -0.714084 -2.120793  
5. 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：

[python]  view plain copy

1. >>> states = (['Ohio', 'California', 'California', 'Ohio', 'Ohio'])  
2. >>> years = ([2005, 2005, 2006, 2005, 2006])  
3. >>> df['data1'].groupby([states, years]).mean()  
4. California  2005   -2.120793  
5.             2006    0.642216  
6. Ohio        2005    0.282230  
7.             2006   -1.017495  
8. dtype: float64  

4、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：

[python]  view plain copy

1. >>> ('key1').mean()  
2.          data1     data2  
3. key1                      
4. a    -1.182987  0.062665  
5. b     0.808674 -0.368333  
6. >>> (['key1', 'key2']).mean()  
7.               data1     data2  
8. key1 key2                      
9. a    one  -0.714084 -0.005540  
10.      two  -2.120793  0.199074  
11. b    one   0.642216 -0.143671  
12.      two   0.975133 -0.592994  

说明：

在执行('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：

[python]  view plain copy

1. >>> (['key1', 'key2']).size()  
2. key1  key2  
3. a     one     2  
4.       two     1  
5. b     one     1  
6.       two     1  
7. dtype: int64  

注意：

分组键中的任何缺失值都会被排除在结果之外。

5、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：

[python]  view plain copy

1. >>> for name, group in ('key1'):  
2. ...     print(name)  
3. ...     print(group)  
4. ...   
5. a  
6.       data1     data2 key1 key2  
7. 0 -0.410673  0.519378    a  one  
8. 1 -2.120793  0.199074    a  two  
9. 4 -1.017495 -0.530459    a  one  
10. b  
11.       data1     data2 key1 key2  
12. 2  0.642216 -0.143671    b  one  
13. 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：

[python]  view plain copy

1. >>> for (k1, k2), group in (['key1', 'key2']):  
2. ...     print k1, k2  
3. ...     print group  
4. ...   
5. a one  
6.       data1     data2 key1 key2  
7. 0 -0.410673  0.519378    a  one  
8. 4 -1.017495 -0.530459    a  one  
9. a two  
10.       data1     data2 key1 key2  
11. 1 -2.120793  0.199074    a  two  
12. b one  
13.       data1     data2 key1 key2  
14. 2  0.642216 -0.143671    b  one  
15. b two  
16.       data1     data2 key1 key2  
17. 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：

[python]  view plain copy

1. >>> pieces = dict(list(('key1')))  
2. >>> pieces['b']  
3.       data1     data2 key1 key2  
4. 2  0.642216 -0.143671    b  one  
5. 3  0.975133 -0.592994    b  two  
6. >>> ('key1')  
7. < object at 0x0413AE30>  
8. >>> list(('key1'))  
9. [('a',       data1     data2 key1 key2  
10. 0 -0.410673  0.519378    a  one  
11. 1 -2.120793  0.199074    a  two  
12. 4 -1.017495 -0.530459    a  one), ('b',       data1     data2 key1 key2  
13. 2  0.642216 -0.143671    b  one  
14. 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：

[python]  view plain copy

1. >>>   
2. data1    float64  
3. data2    float64  
4. key1      object  
5. key2      object  
6. dtype: object  
7. >>> grouped = (, axis=1)  
8. >>> dict(list(grouped))  
9. {dtype('O'):   key1 key2  
10. 0    a  one  
11. 1    a  two  
12. 2    b  one  
13. 3    b  two  
14. 4    a  one, dtype('float64'):       data1     data2  
15. 0 -0.410673  0.519378  
16. 1 -2.120793  0.199074  
17. 2  0.642216 -0.143671  
18. 3  0.975133 -0.592994  
19. 4 -1.017495 -0.530459}  

[python]  view plain copy

1. >>> grouped  
2. < object at 0x041288F0>  
3. >>> list(grouped)  
4. [(dtype('float64'),       data1     data2  
5. 0 -0.410673  0.519378  
6. 1 -2.120793  0.199074  
7. 2  0.642216 -0.143671  
8. 3  0.975133 -0.592994  
9. 4 -1.017495 -0.530459), (dtype('O'),   key1 key2  
10. 0    a  one  
11. 1    a  two  
12. 2    b  one  
13. 3    b  two  
14. 4    a  one)]  

6、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：

[python]  view plain copy

1. >>> ('key1')['data1']  
2. < object at 0x06615FD0>  
3. >>> ('key1')['data2']  
4. < object at 0x06615CB0>  
5. >>> ('key1')[['data2']]  
6. < object at 0x06615F10>  

和以下代码是等效的：

[python]  view plain copy

1. >>> df['data1'].groupby([df['key1']])  
2. < object at 0x06615FD0>  
3. >>> df[['data2']].groupby([df['key1']])  
4. < object at 0x06615F10>  
5. >>> df['data2'].groupby([df['key1']])  
6. < 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：

[python]  view plain copy

1. >>> (['key1', 'key2'])[['data2']].mean()  
2.               data2  
3. key1 key2            
4. a    one  -0.005540  
5.      two   0.199074  
6. b    one  -0.143671  
7.      two  -0.592994  
8. >>> (['key1', 'key2'])['data2'].mean()  
9. key1  key2  
10. a     one    -0.005540  
11.       two     0.199074  
12. b     one    -0.143671  
13.       two    -0.592994  
14. 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）：

[python]  view plain copy

1. >>> s_grouped = (['key1', 'key2'])['data2']  
2. >>> s_grouped  
3. < object at 0x06615B10>  
4. >>> s_grouped.mean()  
5. key1  key2  
6. a     one    -0.005540  
7.       two     0.199074  
8. b     one    -0.143671  
9.       two    -0.592994  
10. Name: data2, dtype: float64  

7、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：

[python]  view plain copy

1. >>> people = ((5, 5),  
2. ...     columns=['a', 'b', 'c', 'd', 'e'],  
3. ...     index=['Joe', 'Steve', 'Wes', 'Jim', 'Travis']  
4. ... )  
5. >>> people  
6.                a         b         c         d         e  
7. Joe     0.306336 -0.139431  0.210028 -1.489001 -0.172998  
8. Steve   0.998335  0.494229  0.337624 -1.222726 -0.402655  
9. Wes     1.415329  0.450839 -1.052199  0.731721  0.317225  
10. Jim     0.550551  3.201369  0.669713  0.725751  0.577687  
11. Travis -2.013278 -2.010304  0.117713 -0.545000 -1.228323  
12. >>> [2:3, ['b', 'c']] =    

假设已知列的分组关系，并希望根据分组计算列的总计：

[python]  view plain copy

1. >>> mapping = {'a':'red', 'b':'red', 'c':'blue',  
2. ...     'd':'blue', 'e':'red', 'f':'orange'}  
3. >>> mapping  
4. {'a': 'red', 'c': 'blue', 'b': 'red', 'e': 'red', 'd': 'blue', 'f': 'orange'}  
5. >>> type(mapping)  
6. <type 'dict'>  

现在，只需将这个字典传给groupby即可：

[python]  view plain copy

1. >>> by_column = (mapping, axis=1)  
2. >>> by_column  
3. < object at 0x066150F0>  
4. >>> by_column.sum()  
5.             blue       red  
6. Joe    -1.278973 -0.006092  
7. Steve  -0.885102  1.089908  
8. Wes     0.731721  1.732554  
9. Jim     1.395465  4.329606  
10. 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 ：

[python]  view plain copy

1. >>> map_series = (mapping)  
2. >>> map_series  
3. a       red  
4. b       red  
5. c      blue  
6. d      blue  
7. e       red  
8. f    orange  
9. dtype: object  
10. >>> (map_series, axis=1).count()  
11.         blue  red  
12. Joe        2    3  
13. Steve      2    3  
14. Wes        1    2  
15. Jim        2    3  
16. Travis     2    3  

8、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：

[python]  view plain copy

1. >> (len).sum()  
2.           a         b         c         d         e  
3. 3  2.272216  3.061938  0.879741 -0.031529  0.721914  
4. 5  0.998335  0.494229  0.337624 -1.222726 -0.402655  
5. 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：

[python]  view plain copy

1. >>> key_list = ['one', 'one', 'one', 'two', 'two']  
2. >>> ([len, key_list]).min()  
3.               a         b         c         d         e  
4. 3 one  0.306336 -0.139431  0.210028 -1.489001 -0.172998  
5.   two  0.550551  3.201369  0.669713  0.725751  0.577687  
6. 5 one  0.998335  0.494229  0.337624 -1.222726 -0.402655  
7. 6 two -2.013278 -2.010304  0.117713 -0.545000 -1.228323  

9、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：

[python]  view plain copy

1. >>> columns = .from_arrays([['US', 'US', 'US', 'JP', 'JP'],  
2. ...     [1, 3, 5, 1, 3]], names=['cty', 'tenor'])  
3. >>> columns  
4. MultiIndex  
5. [US  1,     3,     5, JP  1,     3]  
6. >>> hier_df = ((4, 5), columns=columns)  
7. >>> hier_df  
8. cty          US                            JP            
9. tenor         1         3         5         1         3  
10. 0     -0.166600  0.248159 -0.082408 -0.710841 -0.097131  
11. 1     -1.762270  0.687458  1.235950 -1.407513  1.304055  
12. 2      1.089944  0.258175 -0.749688 -0.851948  1.687768  
13. 3     -0.378311 -0.078268  0.247147 -0.018829  0.744540  
14. >>> hier_df.groupby(level='cty', axis=1).count()  
15. cty  JP  US  
16. 0     2   3  
17. 1     2   3  
18. 2     2   3  
19. 3     2   3