groupby

import pandas as pd
df = pd.DataFrame({'key1':list('aabba'),
                  'key2': ['one','two','one','two','one'],
                  'data1': np.random.randn(5),
                  'data2': np.random.randn(5)})
df

• 1
• 2
• 3
• 4
• 5
• 6

grouped=df['data1'].groupby(df['key1'])
grouped.mean()
 

• 1
• 2

以上的分組鍵均為Series，實際上分組鍵可以是任何長度適當的陣列

states=np.array(['Ohio','California','California','Ohio','Ohio'])
years=np.array([2005,2005,2006,2005,2006])
df['data1'].groupby([states,years]).mean()

• 1
• 2
• 3

df.groupby('key1').mean()

• 1

可以看出沒有key2列，因為df[‘key2’]不是數值資料，所以被從結果中移除。預設情況下，所有數值列都會被聚合，雖然有時可能被過濾為一個子集。

對分組進行迭代

for name, group in df.groupby('key1'):
        print (name)
        print (group)

• 1
• 2
• 3

可以看出name就是groupby中的key1的值，group就是要輸出的內容。 
同理：

for (k1,k2),group in df.groupby(['key1','key2']):
    print ('===k1,k2:')
    print (k1,k2)
    print ('===k3:')
    print (group)

• 1
• 2
• 3
• 4
• 5

對group by後的內容進行操作，如轉換成字典

piece=dict(list(df.groupby('key1')))
piece

{'a':       data1     data2 key1 key2
 0 -0.233405 -0.756316    a  one
 1 -0.232103 -0.095894    a  two
 4  1.056224  0.736629    a  one, 'b':       data1     data2 key1 key2
 2  0.200875  0.598282    b  one
 3 -1.437782  0.107547    b  two}


piece['a']

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

groupby預設是在axis=0上進行分組的，通過設定也可以在其他任何軸上進行分組.

grouped=df.groupby(df.dtypes, axis=1)
dict(list(grouped))

{dtype('float64'):       data1     data2
 0 -0.233405 -0.756316
 1 -0.232103 -0.095894
 2  0.200875  0.598282
 3 -1.437782  0.107547
 4  1.056224  0.736629, dtype('O'):   key1 key2
 0    a  one
 1    a  two
 2    b  one
 3    b  two
 4    a  one

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

選取一個或者一組列

 
對於大資料，很多情況是隻需要對部分列進行聚合

df.groupby(['key1','key2'])[['data2']].mean()

• 1
• 2

通過字典或者series進行分組

people=pd.DataFrame(np.random.randn(5,5),
                   columns=list('abcde'),
                   index=['Joe','Steve','Wes','Jim','Travis'])

people.ix[2:3,['b','c']]=np.nan #設定幾個nan
people

• 1
• 2
• 3
• 4
• 5
• 6

已知列的分組關係

mapping={'a':'red','b':'red','c':'blue','d':'blue','e':'red','f':'orange'}

by_column=people.groupby(mapping,axis=1)

by_column.sum()

• 1
• 2
• 3
• 4
• 5

如果不加axis=1, 則只會出現 a b c d e

Series 也一樣

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()

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

通過函式進行分組

相較於dic或者Series，python函式在定義分組關係對映時更有創意。任何被當做分組鍵的函式都會在各個索引上被呼叫一次，其返回值就會被用作分組名稱。假設你按人名的長度進行分組，僅僅傳入len即可

people.groupby(len).sum() a b c d e 3 -1.308709 -2.353354 1.585584 2.908360 -1.267162 5 -0.688506 -0.187575 -0.048742 1.491272 -0.636704 6 0.110028 -0.932493 1.343791 -1.928363 -0.364745

• 1
• 2

將函式和陣列、列表、字典、Series混合使用也不是問題，因為任何東西都會最終轉換為陣列

 key_list=['one','one','one','two','two'] people.groupby([len,key_list]).sum()

• 1

根據索引級別進行分組

層次化索引最方便的地方就在於他能夠根據索引級別進行聚合。要實現該目的，通過level關鍵字出入級別編號或者名稱即可:

columns=pd.MultiIndex.from_arrays([['US','US','US','JP','JP'],[1,3,5,1,3]],names=['cty','tenor'])
hier_df=pd.DataFrame(np.random.randn(4,5),columns=columns)
hier_df

• 1
• 2
• 3

hier_df.groupby(level='cty',axis=1).count()

• 1

資料聚合

呼叫自定義的聚合函式

面向列的多函式應用

對Series或者DataFrame列的聚合運算實際是使用aggregate或者呼叫mean，std等方法。下面我們想對不同的列使用不同的聚合函式，或者一次應用多個函式

grouped=tips.groupby(['sex','smoker'])
grouped_pct=grouped['tip_pct'] #tip_pct列
grouped_pct.agg('mean')#對與9-1圖示中描述的統計，可以將函式名直接以字串傳入

#如果傳入一組函式，得到的df的列名就會以相應的函式命名

• 1
• 2
• 3
• 4
• 5

自動給出的列名辨識度低，如果傳入的是(name, function)元組組成的列表，則各個元組的第一個元素將被用作df的列名

對於df，可以定義一組用於全部列的函式,或在不同的列應用不同的函式 

如果想對不同的列應用不同的函式, 具體的辦法是想agg傳入一個從列名對映到函式的字典 
 
只有將多個函式應用到至少一列時，df才能擁有層次化的列

分組級運算和轉換

聚合只是分組運算的一種，它是資料轉換的特列。transform 和apply更牛叉.

transform會將一個函式應用到各個分組，然後將結果放在適當的位置. 如果各分組產生的標量值，則該標量值會被廣播出去。

transform也是有嚴格條件的特殊函式：傳入的函式只能產生兩種結果，要麼產生一個可以廣播的標量值(如：np.mean), 要麼產生一個相同大小的結果陣列。

people=pd.DataFrame(np.random.randn(5,5),
                   columns=list('abcde'),
                   index=['Joe','Steve','Wes','Jim','Travis'])
people

• 1
• 2
• 3
• 4
• 5

key=['one','two','one','two','one']
people.groupby(key).mean()

• 1
• 2

people.groupby(key).transform(np.mean)

• 1

可以看到有很多與表2一樣的值。

def demean(arr):
    return arr-arr.mean()

demeaned=people.groupby(key).transform(demean)
demeaned

• 1
• 2
• 3
• 4
• 5

demeaned.groupby(key).mean()

• 1

最一般化的groupby 方法是apply.

tips=pd.read_csv('C:\\Users\\ecaoyng\\Desktop\\work space\\Python\\py_for_analysis_code\\pydata-book-master\\ch08\\tips.csv')
tips[:5]

• 1
• 2

新生成一列

tips['tip_pct']=tips['tip']/tips['total_bill']
tips[:6]

• 1
• 2

根據分組選出最高的5個tip_pct值

def top(df,n=5,column='tip_pct'):
    return df.sort_index(by=column)[-n:]
top(tips,n=6)

• 1
• 2
• 3

對smoker分組並應用該函式

tips.groupby('smoker').apply(top)

• 1

多引數版本

tips.groupby(['smoker','day']).apply(top,n=1,column='total_bill')

• 1

分位數和桶分析

cut and qcut與groupby結合起來，能輕鬆的對資料集的桶(bucket)或者分位數(quantile)分析。

frame=pd.DataFrame({'data1':np.random.randn(1000),
                   'data2': np.random.randn(1000)})
frame[:5]

• 1
• 2
• 3

factor=pd.cut(frame.data1,4)
factor[:10]

0    (0.281, 2.00374]
1    (0.281, 2.00374]
2    (-3.172, -1.442]
3     (-1.442, 0.281]
4    (0.281, 2.00374]
5    (0.281, 2.00374]
6     (-1.442, 0.281]
7     (-1.442, 0.281]
8     (-1.442, 0.281]
9     (-1.442, 0.281]
Name: data1, dtype: category
Categories (4, object): [(-3.172, -1.442] < (-1.442, 0.281] < (0.281, 2.00374] < (2.00374, 3.727]]

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

def get_stats(group):
    return {'min':group.min(),'max':group.max(),'count':group.count(),'mean':group.mean()}
grouped=frame.data2.groupby(factor)
grouped.apply(get_stats).unstack()

• 1
• 2
• 3
• 4

這些都是長度相等的桶，要根據樣本分為數得到大小相等的桶，使用qcut即可.

長度相等的桶：區間大小相等 
大小相等的桶：資料點數量相等

grouping=pd.qcut(frame.data1,10,labels=False)#label=false即可值獲取分位數的編號
grouped=frame.data2.groupby(grouping)
grouped.apply(get_stats).unstack()

• 1
• 2
• 3