分类汇总 | Bowen's Academic Home

import pandas as pd
import numpy as np

分类汇总 group by 指的是如下的一个或多个步骤的数据分组：

Splitting: 根据某些标准将数据分成若干组。
Applying: 将一个函数独立应用于每个组。
Combining: 将结果合并到数据结构中。

其中，拆分步骤最简单。事实上，在许多情况下，我们可能希望将数据集分成若干组，并对这些组进行处理。

在应用步骤中，我们可能希望执行以下操作之一：

Aggregation: 计算每组的汇总统计数据。例如计算每组的和 sum 以及平均值 means，或者数每组记录的个数。
Transformation: 执行一些特定于组的计算，并返回一个相似的索引对象。例如获得每组排序后的第一个数据。
Filtration: 根据评估为真或假的分组计算，丢弃一些分组。例如丢弃属于只有少数成员的组的数据，或者根据组和或平均值过滤数据。

分组

pandas 对象可以在其任意轴上拆分。分组的抽象定义是提供标签到组名的映射。分组需要创建 GroupBy 对象。

df = 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"),
)
df

	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

按行分组。

df.groupby('class')

<pandas.core.groupby.generic.DataFrameGroupBy object at 0x000001BC34299A10>

按多个字段分组。

df.groupby(['class', 'order'])

<pandas.core.groupby.generic.DataFrameGroupBy object at 0x000001BC3427E710>

通常一张数据表每一行表示一条记录，每一列表示一个字段。因而分类汇总是针对字段，对每条记录（按行）进行分组。如果确实有按列进行分组的需求，将 DataFrame 对象转置即可。

应用与合并

汇总

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),
    }
)
df

	A	B	C	D
0	foo	one	0.106162	-0.093786
1	bar	one	-0.179389	2.213905
2	foo	two	-0.190954	0.082038
3	bar	three	0.312979	1.034273
4	foo	two	1.052136	-0.130627
5	bar	two	-1.220164	1.215908
6	foo	one	-0.926031	-1.477368
7	foo	three	0.157087	1.622384

GroupBy 对象后索引 column 表示需要汇总的属性，会返回一个新的 GroupBy 对象。

grouped = df.groupby('A')[['C', 'D']]

求和

grouped.sum()

	C	D
A
bar	-1.086574	4.464086
foo	0.198399	0.002641

平均值

grouped.mean()

	C	D
A
bar	-0.362191	1.488029
foo	0.039680	0.000528

中位数

grouped.median()

	C	D
A
bar	-0.179389	1.215908
foo	0.106162	-0.093786

最小值

grouped.min()

	C	D
A
bar	-1.220164	1.034273
foo	-0.926031	-1.477368

最大值

grouped.max()

	C	D
A
bar	0.312979	2.213905
foo	1.052136	1.622384

标准差

grouped.std()

	C	D
A
bar	0.782748	0.635154
foo	0.712226	1.100833

可以使用 agg 来使用任何可以进行汇总和统计的函数，包括用户自定义的函数。

grouped.agg(['sum', 'mean'])

	C		D
	sum	mean	sum	mean
A
bar	-1.086574	-0.362191	4.464086	1.488029
foo	0.198399	0.039680	0.002641	0.000528

次序

df = pd.DataFrame({
    'Name': ['Jim', 'Jim', 'Jim', 'Pam', 'Pam'],
    'Attempt': ['First', 'Second', 'Third', 'First', 'Second'],
    'GRE Score': [298, 321, 314, 318, 330]
})
df

	Name	Attempt	GRE Score
0	Jim	First	298
1	Jim	Second	321
2	Jim	Third	314
3	Pam	First	318
4	Pam	Second	330

返回每个人最后一次 GRE 考试成绩：

df.groupby('Name')['GRE Score'].last()

Name
Jim    314
Pam    330
Name: GRE Score, dtype: int64

返回每个人第一次 GRE 考试成绩：

df.groupby('Name')['GRE Score'].first()

Name
Jim    298
Pam    318
Name: GRE Score, dtype: int64

使用 nth 可以返回第任意次 GRE 考试成绩：

df.groupby('Name')['GRE Score'].nth(1)

1    321
4    330
Name: GRE Score, dtype: int64

排序

给每次 GRE 考试都加上名次。

df['Rank'] = df.groupby('Name')['GRE Score'].rank(ascending=False).astype(int)
df

	Name	Attempt	GRE Score	Rank
0	Jim	First	298	3
1	Jim	Second	321	1
2	Jim	Third	314	2
3	Pam	First	318	2
4	Pam	Second	330	1

如要给每组数据都排序，建议先对原 DataFrame 对象排序，再分组。

df.sort_values('GRE Score', ascending=False).groupby('Name')['GRE Score'].first()

Name
Jim    321
Pam    330
Name: GRE Score, dtype: int64