使用python(pandas)将数据处理成交叉分组表
2017-05-19 13:27
736 查看
交叉分组表是汇总两种变量数据的方法, 在很多场景可以用到, 本文会介绍如何使用pandas将包含两个变量的数据集处理成交叉分组表.
python 2.7
代码:
结果:
将数据以
将每个分组的数据分别进行cut, 以10为间隔.
将cut过的数据, 以cut的范围为列进行分组
将所有数据组合到一起, row为
步骤1, pandas
而我们需要的, 只是
使用pandas
apply()的广播特性, 每一个分组的数据都会经过上述几个步骤的处理, 最后与第一次分组row进行组合.
环境
pandaspython 2.7
原理
用坐标轴来进行比喻, 其中一个变量作为x轴, 另一个作为y轴, 如果定位到数据则累加一, 将所有数据遍历一遍, 最后的坐标轴就是一张交叉分组表(使用坐标轴展示的数据一般是连续的, 交叉分组表的数据是离散的).具体实现
示例数据:quality price 0 bad 18 1 bad 17 2 great 52 3 good 28 4 excellent 88 5 great 63 6 bad 8 7 good 22 8 good 68 9 excellent 98 10 great 53 11 bad 13 12 great 62 13 good 48 14 excellent 78 15 great 63 16 good 37 17 great 69 18 good 28 19 excellent 81 20 great 43 21 good 32 22 great 62 23 good 28 24 excellent 82 25 great 53
代码:
import pandas as pd from pandas import DataFrame, Series #生成数据 df = DataFrame([['bad', 18], ['bad', 17], ['great', 52], ['good', 28], ['excellent', 88], ['great', 63] , ['bad', 8], ['good', 22], ['good', 68], ['excellent', 98], ['great', 53] , ['bad', 13], ['great', 62], ['good', 48], ['excellent', 78], ['great', 63] , ['good', 37], ['great', 69], ['good', 28], ['excellent', 81], ['great', 43] , ['good', 32], ['great', 62], ['good', 28], ['excellent', 82], ['great', 53]], columns = ['quality', 'price']) #广播使用的函数 def quality_cut(data): s = Series(pd.cut(data['price'], np.arange(0, 100, 10))) return pd.groupby(s, s).count() #进行分组处理 df.groupby(df['quality']).apply(quality_cut)
结果:
详细分析
从逻辑上来看, 为了达到对示例数据的交叉分组, 需要完成以下工作:将数据以
quality列进行分组.
将每个分组的数据分别进行cut, 以10为间隔.
将cut过的数据, 以cut的范围为列进行分组
将所有数据组合到一起, row为
quality, columns为cut的范围
步骤1, pandas
groupby(...)接口, 会按照指定的列进行分组处理, 每一个分组, 存储相同类别的数据
<class 'pandas.core.frame.DataFrame'> quality price 0 bad 18 1 bad 17 6 bad 8 11 bad 13
而我们需要的, 只是
price这列的数据, 所以单独将这列拿出来, 进行cut, 最后得到我们要的series(步骤2, 步骤3)
price (0, 10] 1 (10, 20] 3 (20, 30] 0 (30, 40] 0 (40, 50] 0 (50, 60] 0 (60, 70] 0 (70, 80] 0 (80, 90] 0
使用pandas
apply()的广播特性, 每一个分组的数据都会经过上述几个步骤的处理, 最后与第一次分组row进行组合.
后记
估计能力有限, 这个问题想了很长时间, 没想到pandas这么可以这么方便达成交叉分组的效果. 思考的时候主要是卡在数据组合上, 当数据量很大时通过多个步骤进行数据组合, 肯定是低效而且错误的. 最后仔细研究了groupby, dataframe, series, dataframeIndex等数据模型, 使用广播特性用几句代码就完成了. 证明了
pandas的高性能, 也提醒自己遇见问题一定要耐心分析, 念念不忘, 必有回响.
相关文章推荐
- [置顶] 【python 处理亿级数据】使用 Pandas 处理亿级数据
- 使用Python Pandas处理亿级数据
- 人工智能:python 实现 第十一章,使用Pandas处理时间序列数据
- 使用Python Pandas处理亿级数据
- pandas io tools(使用python处理数据时候经常用到)
- 使用python处理地理数据:Geopandas
- 使用Python Pandas处理亿级数据
- 使用Python Pandas处理亿级数据
- 使用Python Pandas处理亿级数据
- 使用Python Pandas处理亿级数据
- 使用Python Pandas处理亿级数据
- 使用Python Pandas处理亿级数据
- pandas io tools(使用python处理数据时候经常用到)读csv,TXT
- 使用Python Pandas处理亿级数据
- 使用Python Pandas处理亿级数据
- 学习Python大数据处理模块Pandas
- python之pandas使用:数据的选择
- python pandas 处理日期数据
- 使用python统计处理jira数据
- Python下的数据处理和机器学习,对数据在线及本地获取、解析、预处理和训练、预测、交叉验证、可视化