小白學 Python 資料分析（11）：Pandas （十）資料分組
人生苦短，我用 Python
前文傳送門：
小白學 Python 資料分析（1）：資料分析基礎
小白學 Python 資料分析（2）：Pandas （一）概述
小白學 Python 資料分析（3）：Pandas （二）資料結構 Series
小白學 Python 資料分析（4）：Pandas （三）資料結構 DataFrame
小白學 Python 資料分析（5）：Pandas （四）基礎操作（1）檢視資料
小白學 Python 資料分析（6）：Pandas （五）基礎操作（2）資料選擇
小白學 Python 資料分析（7）：Pandas （六）資料匯入
小白學 Python 資料分析（8）：Pandas （七）資料預處理
小白學 Python 資料分析（9）：Pandas （八）資料預處理（2）
小白學 Python 資料分析（10）：Pandas （九）資料運算
引言
各位同學好呀，我又出來了，本篇文章我們介紹下 Pandas 的資料分組。
本文用的資料集再次做更換，有同學在後臺問小編為什麼最近每篇文章都在換資料集。
emmmmmmmm，在小白剛入門的時候，很多同學找不到資料集練手，小編儘量多使用一些資料集，傳到程式碼倉庫後，大家 Down 下來直接就能使用，給大家多提供幾個案例做選擇。
AkShare
本次的資料集選擇由 AkShare 提供的本次疫情的歷史資料。
摘取一段 AkShare 官網的介紹，各位同學大致瞭解下 AkShare ：
Github 地址： https://github.com/jindaxiang/akshare
中文文件地址： https://akshare.readthedocs.io/zh_CN/latest/
AkShare 的簡介：
AkShare 是基於 Python 的開源金融資料介面庫, 目的是實現對股票, 期貨, 期權, 基金, 外匯, 債券, 指數, 數字貨幣等金融產品的基本面資料、實時和歷史行情資料、衍生資料從資料採集, 資料清洗, 到資料落地的一套開源工具, 滿足金融資料科學家, 資料科學愛好者在金融資料獲取方面的需求.
AkShare 的特點是獲取的是相對權威的金融資料網站公佈的原始資料, 廣大資料科學家可以利用原始資料進行各資料來源之間的交叉驗證, 進而再加工, 從而得出科學的結論.
好像和疫情沒什麼關係麼，其實 AkShare 也是在最近的更新中添加了有關本次疫情的資料集。
首先第一件事兒就是先把我們今天要使用到的資料集搞下來，首先是 AkShare 的安裝，參考文件示例進行安裝（ https://akshare.readthedocs.io/zh_CN/latest/akshare/ak-installation.html ）：
通用安裝：
pip install akshare --upgrade國內安裝-Python：
pip install akshare -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com --upgrade國內安裝-Anaconda：
pip install akshare -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com --user --upgrade除了一些 Python 的庫需要進行安裝，還有一些其他環境需要安裝，小編這裡就不一一列出了，請各位同學參考文件進行安裝。
安裝好以後，將本次疫情的歷史資料進行匯出成 Excel ，然後開始我們今天的正題，這段匯出程式碼其實非常簡單，加上導包總共三行，如下：
import akshare as ak
epidemic_dxy_df = ak.epidemic_dxy(indicator="global")
epidemic_dxy_df.to_excel('epidemic_dxy.xlsx')這裡獲取的其實是本次疫情截止小編寫這篇文章時的一個最新資料。
說明： epidemic_dxy_df 是一個 DataFrame ，這裡直接通過 DataFrame 的 to_excel 進行 Excel 匯出。
如果不想使用 Excel 的同學，也可以直接操作 epidemic_dxy_df 這個 DataFrame ，只是每次執行的時候它都要從遠端拉取資料，速度上挺慢的，從本地的 Excel 中讀取資料還是會快很多。
匯出的 Excel 小編就簡單截個圖，如圖：
可以看到，總共有 66 行的資料，資料量不大，我們進行操作後，可以人工核實操作資料是否正確。
資料分組
如果有對 SQL 使用經驗的同學來講，分組這個詞並不陌生，在 SQL 中的關鍵字是 group by ，而在 Pandas 中的方法名也十分相似，是 groupby() 。
當然，如果對 SQL 不熟悉的同學也可以參考下 Excel 的分組，都是一樣的。
我們先按照七大洲對這個資料做一次分組，看下是什麼結果：
import pandas as pd
# 資料匯入
epidemic_dxy = pd.read_excel("epidemic_dxy.xlsx")
print(epidemic_dxy.groupby(['continents']))
# 輸出內容
<pandas.core.groupby.generic.DataFrameGroupBy object at 0x0000019AB24BAB48>可以看到，這裡輸出的了一個 DataFrameGroupBy 的記憶體物件，實際上這個物件中包含了分組後的一些相關資訊，並沒有直接顯示出來，我們直接呼叫一個彙總的方法看一下：
print(epidemic_dxy.groupby(['continents']).count())
# 輸出內容
id createTime modifyTime ... operator locationId countryShortCode
continents ...
亞洲 26 26 26 ... 26 26 26
其他 1 1 1 ... 1 1 1
北美洲 4 4 4 ... 4 4 4
南美洲 2 2 2 ... 2 2 2
大洋洲 2 2 2 ... 2 2 2
歐洲 27 27 27 ... 27 27 27
非洲 3 3 3 ... 3 3 3count() 的含義是取計數，就是當前的資料有多少條，可以看到，亞洲有 26 條資料。
如果我想知道當前七大洲的彙總資料呢？可以用到 sum() 這個方法：
import pandas as pd
# 資料匯入
epidemic_dxy = pd.read_excel("epidemic_dxy.xlsx")
pd.set_option('display.max_columns', None)
print(epidemic_dxy.groupby(['continents']).sum())
# 輸出內容
id createTime modifyTime tags countryType \
continents
亞洲 18446021 41161613744000 41161613744000 0.0 52
其他 709404 1583138990000 1583138990000 0.0 2
北美洲 2838116 6332555961000 6332555961000 0.0 8
南美洲 1419041 3166277981000 3166277981000 0.0 4
大洋洲 1418867 3166277980000 3166277980000 0.0 4
歐洲 19156076 42744752735000 42744752735000 0.0 54
非洲 2128329 4749416970000 4749416970000 0.0 6
provinceId provinceShortName cityName currentConfirmedCount \
continents
亞洲 231 0.0 0.0 5458
其他 10 0.0 0.0 699
北美洲 38 0.0 0.0 99
南美洲 20 0.0 0.0 8
大洋洲 20 0.0 0.0 14
歐洲 265 0.0 0.0 2040
非洲 30 0.0 0.0 3
confirmedCount suspectedCount curedCount deadCount comment \
continents
亞洲 5940 0 399 83 0.0
其他 705 0 0 6 0.0
北美洲 107 0 7 1 0.0
南美洲 8 0 0 0 0.0
大洋洲 30 0 15 1 0.0
歐洲 2199 0 123 36 0.0
非洲 4 0 1 0 0.0
sort locationId
continents
亞洲 0 24793190
其他 0 0
北美洲 0 3887012
南美洲 0 1946009
大洋洲 0 1980008
歐洲 0 25035128
非洲 0 2944016 因為原始資料有點多，小編這裡將所有的列全展示出來，可以看到亞洲目前的確診數量是 5940 ，當然，這裡不包含中國的資料。
這裡的列太多了，很多列並不是我們關心的，如果我們只關心幾個核心的資料怎麼展示呢？
我們可以先分組，分組後取出我們需要的列，然後再對列做運算，如下：
import pandas as pd
# 資料匯入
epidemic_dxy = pd.read_excel("epidemic_dxy.xlsx")
print(epidemic_dxy.groupby(['continents'])['confirmedCount', 'suspectedCount', 'curedCount', 'deadCount'].sum())
# 輸出內容
confirmedCount suspectedCount curedCount deadCount
continents
亞洲 5940 0 399 83
其他 705 0 0 6
北美洲 107 0 7 1
南美洲 8 0 0 0
大洋洲 30 0 15 1
歐洲 2199 0 123 36
非洲 4 0 1 0在進行資料分組的時候，我們除了可以使用列名進行分組，還可以使用 Series 進行分組，它與使用列名進行分組在使用上沒有任何不同：
import pandas as pd
# 資料匯入
epidemic_dxy = pd.read_excel("epidemic_dxy.xlsx")
print(epidemic_dxy.groupby(epidemic_dxy['continents'])['confirmedCount', 'suspectedCount', 'curedCount', 'deadCount'].sum())
# 輸出內容
confirmedCount suspectedCount curedCount deadCount
continents
亞洲 5940 0 399 83
其他 705 0 0 6
北美洲 107 0 7 1
南美洲 8 0 0 0
大洋洲 30 0 15 1
歐洲 2199 0 123 36
非洲 4 0 1 0這裡的 epidemic_dxy['continents'] 本身就是一個 Series ，可以看到和上面使用列名進行分組無任何不同。
在分組的時候，除了可以使用一個列或者 Series ，還可以使用多個，只需要在 groupby() 的引數中進行新增即可，如下：
import pandas as pd
# 資料匯入
epidemic_dxy = pd.read_excel("epidemic_dxy.xlsx")
print(epidemic_dxy.groupby([epidemic_dxy['continents'], epidemic_dxy['provinceName']])['confirmedCount', 'suspectedCount', 'curedCount', 'deadCount'].sum())
# 輸出內容
confirmedCount suspectedCount curedCount deadCount
continents provinceName
亞洲 亞美尼亞 1 0 0 0
以色列 10 0 1 0
伊拉克 19 0 0 0
伊朗 978 0 175 54
卡達 1 0 0 0
... ... ... ... ...
歐洲 荷蘭 10 0 0 0
西班牙 84 0 2 0
非洲 埃及 2 0 1 0
奈及利亞 1 0 0 0
阿爾及利亞 1 0 0 0
[65 rows x 4 columns]我們這裡使用了七大洲和國家進行分組，可以看到整個求和的資料集已經按照七大洲和國家求和列出了。
你以為分組到這裡就算完了？
nonono，下面還有個神奇的傢伙 —— aggregate() 。
aggregate() 這個方法是做什麼的呢？
如果我們想在一次分組中，進行兩次彙總運算，那麼，就要用到這個函數了，比如，我想在剛才的資料中先計數，在求和，那麼可以這麼寫：
import pandas as pd
# 資料匯入
epidemic_dxy = pd.read_excel("epidemic_dxy.xlsx")
print(epidemic_dxy.groupby(epidemic_dxy['continents'])['confirmedCount', 'suspectedCount', 'curedCount', 'deadCount'].aggregate(['count', 'sum']))
# 輸出內容
count sum count ... sum count sum
continents ...
亞洲 26 5940 26 ... 399 26 83
其他 1 705 1 ... 0 1 6
北美洲 4 107 4 ... 7 4 1
南美洲 2 8 2 ... 0 2 0
大洋洲 2 30 2 ... 15 2 1
歐洲 27 2199 27 ... 123 27 36
非洲 3 4 3 ... 1 3 0
[7 rows x 8 columns]怎麼樣，是不是很神奇，左邊是計數，右邊是求和。
不過有一點要注意下，在我們對資料進行分組運算完成後，有時候會需要對資料進行進一步的處理，由於分組運算後的結果並不是標準的 DataFrame 形式，需要我們對它進行進一步的轉化，這裡用到的方法就是重置索引 reset_index() 。
import pandas as pd
# 資料匯入
epidemic_dxy = pd.read_excel("epidemic_dxy.xlsx")
new_dataframe = epidemic_dxy.groupby(epidemic_dxy['continents'])['confirmedCount', 'suspectedCount', 'curedCount', 'deadCount'].sum().reset_index()
print(new_dataframe)
# 輸出內容
continents confirmedCount suspectedCount curedCount deadCount
0 亞洲 5940 0 399 83
1 其他 705 0 0 6
2 北美洲 107 0 7 1
3 南美洲 8 0 0 0
4 大洋洲 30 0 15 1
5 歐洲 2199 0 123 36
6 非洲 4 0 1 0這樣，我們就得到了一個新的 DataFrame ，可以在這個新的 DataFrame 進行新的騷操作了。
本篇的內容到這裡才算結束，各位看更的同學，記得要手寫程式碼哦~~~
示例程式碼
老規矩，所有的示例程式碼都會上傳至程式碼管理倉庫 Github 和 Gitee 上，方便大家取用。
示例程式碼-Github
示例程式碼-Gi