pandas数据分组和聚合操作

《Python for Data Analysis》

GroupBy

分组运算：split-apply-combine(拆分-应用-合并)

DataFrame可以在其行（axis=0）或列（axis=1）上进行分组。然后，将一个函数应用到各个分组并产生新值。最后，所有这些函数的执行结果会被合并到最终的结果对象中去。

GroupBy的size方法可以返回一个含有分组大小的Series。

对分组进行迭代

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

选取一个或一组列

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

通过字典或Series进行分组

只需将字典或Series传给groupby即可。

通过函数分组

people.groupby(len).sum()

#根据人名的长度进行分组

通过索引级别分组

层次化索引数据，根据索引级别进行聚合，通过level关键字传入级别编号或名称。

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

数据聚合

经过优化的groupby方法

函数名	说明
count	分组中非NA值得数量
sum	非NA值的和
mean	非NA值的平均值
median	非NA值的算术平均数
std、var	无偏（分母为n-1）标准差和方差
min、max	非NA值的最小值和最大值
prod	非NA值的积
first、last	第一个和最后一个非NA值

对于上述描述统计方法，可以将函数名以字符串的形式传入agg方法。例如：

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

如果要使用自己的聚合函数，只需将其传入aggregate或agg方法即可

def peak_to_peak(arr):
return arr.max() - arr.min()

grouped.agg(peak_to_peak)

面向列的多函数应用，可以对不同的列使用不同的聚合函数或者一次应用多个函数。

如果传入一组函数或函数名，得到的DataFrame的列就会以相应的函数命名

如果传入的是一个由（name,function）元组组成的列表，各个元组的第一个元素就会被用作DataFrame的列名。

不同的列使用不同的聚合函数也可以向agg传入一个从列名映射到函数的字典

grouped.agg(['mean', 'std', peak_to_peak])  # 1

grouped.agg([('foo', 'mean'), ('bar', np.std)])  # 2

functions = ['count', 'mean', 'max']
result = grouped['tip', 'bill'].agg(functions)  # 3

grouped.agg({'tip' : np.max, 'bill' : 'sum'})  # 4

分组级运算和转换

transform

transform会将一个函数应用到各个分组，然后将结果放置到适当的位置上。如果各个分组产生的是一个标量值，则该值就会被广播出去。

apply

一般性的“拆分-应用-合并”

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

相当于top函数在DataFrame的各个片段上调用，然后结果由pandas.concat组装到一起，并以分组名称进行了标记。，于是，最终结果就有了一个层次化索引，其内层索引值来自于原DataFrame.

禁止分组键： 分组键会跟原始对象的索引共同构成结果对象中的层次化索引。将

group_keys=False

传入

groupby

即可禁止该效果。

tips.groupby('smoker', group_keys=False).apply(top)

在GroupBy对象上调用

describe

相当于

f = lambda x : x.describe(); grouped.apply(f)

.

数据汇总工具

透视表

pivot_table

根据一个或多个键对数据进行聚合，并根据行和列上的分组键将数据分配到各个矩形区域。

tips.pivot_table('tip_pct', index=['time', 'size', 'smoker'],

columns='day', aggfunc='mean', fill_value=0)

参数名	说明
values	待聚合的列的名称。默认所有列
rows	用于分组的列名或者其他分组键，出现在结果透视表的行
cols	用于分组的列名或者其他分组键，出现在结果透视表的列
aggfunc	聚合函数或函数列表，默认“mean”。可以是任何对groupby有效的函数
fill_value	用于替换结果表中缺失值
margins	添加行/列小计和总计，默认为False

交叉表

crosstab

是一种用于计算分组频率的特殊透视表。

pd.crosstab([tips.time, tips.day], tips.smoker, margins=True)