Pandas聚合操作 groupby和agg的用法归纳

笔者在打比赛过程中经常需要用到聚合操作，现将自己平常遇到的几种用法总结如下，便于大家和自己查询。

我们直接通过例子进行讲解，首先，我们来定义一个dataframe:

import pandas as pd
import numpy as np

# 自定义函数，便于后面使用
def fun(arrs):
res = 100 * len(arrs)
return res

df = pd.DataFrame({'key1':['a', 'a', 'b', 'b', 'a','a','a','a'],
'key2':['one', 'two', 'one', 'two', 'one','two','two','two'],
'data1':np.random.randint(0,5,8),
'data2':np.random.randint(0,5,8),
'data3':np.random.randint(0,5,8)})

生成的dataframe如下：

1. groupby聚合之后，只对一列进行操作

1.1 只进行一种统计

data1 = df.groupby(['key1', 'key2'])['data1'].sum()
# 结果类型为Seris, index为复合index

结果如下：

返回的data1的类型是Series，它的index为聚合键，也可以看作由(key1,key2)组成的复合index。我们可以通过reset_index操作将其转化为dataframe这种更加直观的形式。

data2 = data1.reset_index()
# 类型为dataframe, columns为key1, key2, data1; index为阿拉伯数字

1.2 进行多种统计，包括上面定义的自定义函数

当我们需要对选取的列运用多种统计函数的时候，我们需要用到**agg()**操作

data3 = df.groupby(['key1','key2'])['data1'].agg(['mean', 'count', fun])
# agg里为列表，返回类型为dataframe, index为聚合键; columns为统计函数名称，即mean, count, fun

一般来说，这样的列名不是我们想要的，除了直接更改列名之外，我们可以直接在聚合的时候就指定列名，如下：

data4 = df.groupby(['key1','key2'])['data1'].agg({'data1_average':'mean', 'data1_number':'count', 'data1_function':fun})

返回值data4是dataframe类型，其中的columns列名变成了我们指定的字典的键，index仍为聚合键，我们可以通过reset_index()操作使之变成两列

2. groupby聚合之后，对所有列进行操作

2.1 只进行一种统计

如果我们聚合之后想对所有列进行操作，那么groupby之后就不需要指定列，直接跟统计函数即可：

data6 = df.groupby(['key1']).sum()
# 类型为dataframe, index为聚合键, columns为data1, data2, data3;
# 需要注意的是，不符合运算定义的key2列被忽略(key2这一列为字符串，没有sum函数)

其中聚合之后的列名仍为原来的列名，假如有需要，可以直接通过data6.columns属性进行修改。结果中不含key2列，这是因为key2这一列为字符串，没有sum函数，所以自动被忽略

2.2 进行多种统计，包括自定义函数

data7 = df.groupby(['key1']).agg(['mean', 'count', fun])
# 类型为dataframe， index为聚合键， columns为复合列名,

一般会通过对data7.columns属性进行修改，来符合我们平常的习惯

data7.columns = ['_'.join(x) for x in data7.columns]

3. groupby聚合之后，对列进行选择，但是对所有列都进行相同统计

3.1 只进行一种统计

data8 = df.groupby(['key1'])[['data1','data2']].sum()

3.2 进行多种统计

同样的，进行多种统计，我们需要用到agg函数

data9 = df.groupby(['key1'])[['data1','data2']].agg(['mean', 'count', fun])
# 结果为复合列名

4. groupby聚合之后，对列进行选择，并对不同的列进行不同的操作

要达到这种目的，我们对agg()函数里传入字典，字典的key为列名，value为对应的统计函数列表如下：

agg_dict1 = {'data1':['sum','count'], 'data2':['count'], 'key2':[fun]}
data10 = df.groupby(['key1']).agg(agg_dict1)
# 结果为复合键

我为什么把上面的统计函数列表加粗呢？这是因为，当每列都只需要进行一种统计操作的时候，字典的value为列表还是函数名，所产生的结果有所不同，如下：

agg_dict2 = {'data1':'sum', 'data2':'count', 'key2':fun}
data11 = df.groupby(['key1']).agg(agg_dict2)
agg_dict3 = {'data1':['sum'], 'data2':'count', 'key2':fun}
data12 = df.groupby(['key1']).agg(agg_dict3)

结果的列名一个是原来的列名，一个是复合列名。我的理解是，当统计函数包含在列表里的时候，就默认为可能需要进行多种统计，所以聚合之后的列名就不能再是原来的列名(否则区分不开)

好啦，笔者目前见过的关于groupby和agg的聚合操作基本就这些啦，希望对大家有帮助~