利用Python进行数据分析--数据聚合与分组运算1

转载自：http://blog.csdn.net/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
plaincopy





>>> 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：

[python] view
plaincopy





>>> 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：

[python] view
plaincopy





>>> 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。

3、如果我们一次传入多个数组，就会得到不同的结果：

[python] view
plaincopy





>>> 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）：

[python] view
plaincopy





>>> 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：

[python] view
plaincopy





>>> 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

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
plaincopy





>>> 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：

[python] view
plaincopy





>>> 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。

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
plaincopy





>>> 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：

[python] view
plaincopy





>>> 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：

[python] view
plaincopy





>>> 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：

[python] view
plaincopy





>>> 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}

[python] view
plaincopy





>>> 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)]

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
plaincopy





>>> 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：

[python] view
plaincopy





>>> 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：

[python] view
plaincopy





>>> 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）：

[python] view
plaincopy





>>> 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

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
plaincopy





>>> 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：

[python] view
plaincopy





>>> 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：

[python] view
plaincopy





>>> 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：

[python] view
plaincopy





>>> 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

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
plaincopy





>> 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：

[python] view
plaincopy





>>> 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

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
plaincopy





>>> 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