1. 分组函数的基本内容:
(a)根据某一列分组
grouped_single = df.groupby('School')
注意,这里的设置是没有显式的返回对象的,那么需要特殊的方法来调取结果。
# 找到分组变量值为S_1的记录
grouped_single.get_group('S_1').head()
(b)根据某几列分组
grouped_mul = df.groupby(['School','Class'])
# 即传入两个组值的索引,注意是圆括号
grouped_mul.get_group(('S_2','C_4'))
(c)组容量与组数
这里是给出方法来查看分组之后的一些元素:
# 单列分组容量
grouped_single.size()
# 多列分组容量
grouped_mul.size()
# 单列分组组数,注意没有()
grouped_single.ngroups
# 多列分组组数
grouped_mul.ngroups
(d)组的遍历
for name, group in grouped_single:
print(name)
display(group.head())
df.set_index(['Gender','School']).groupby(level=1,axis=0).get_group('S_1').head()
df.set_index(['Gender','School']).groupby(level=0,axis=0).get_group('M').head()
(a)分组对象的head和first
# 返回每个组的前几行
grouped_single.head(2)
# 返回每个组的第一行
grouped_single.first()
(b)分组依据
df.groupby(np.random.choice(['a','b','c'],df.shape[0])).get_group('a').head()
# 相当于将np.random.choice(['a','b','c'],df.shape[0])当做新的一列进行分组
# 根据奇偶行分组
df.groupby(lambda x:'奇数行' if not df.index.get_loc(x)%2==1 else '偶数行').groups
# 查看两所学校中男女生分别均分是否及格
df.groupby(['Gender','School'])['Math'].mean()>=60
df.groupby(['Gender','School'])[['Math','Height']].mean()
bins = [0,60,80,90,100]
cuts = pd.cut(df['Math'],bins=bins)
df.groupby(cuts)['Math'].count()
1. 聚合(Aggregation)
(a)常用聚合函数
mean/sum/size/count/std/var/sem/describe/first/last/nth/min/max
(b)同时使用多个聚合函数
group_m = grouped_single['Math']
group_m.agg(['sum','mean','std'])
这里就是指对学校分组,然后计算Math的相关聚合统计量
可以进行重命名
# 利用元组进行重命名
# 元组内第一个是指新名字,第二个是指旧名字
group_m.agg([('rename_sum','sum'),('rename_mean','mean')])
# 指定哪些函数作用哪些列
grouped_mul.agg({'Math':['mean','max'],'Height':'var'})
官方没有提供极差计算的函数,但通过agg可以容易地实现组内极差计算
grouped_single['Math'].agg(lambda x:x.max()-x.min())
注意:不支持lambda函数,但是可以使用外置的def函数
def R1(x):
return x.max()-x.min()
def R2(x):
return x.max()-x.median()
grouped_single['Math'].agg(min_score1=pd.NamedAgg(column='col1', aggfunc=R1),
max_score1=pd.NamedAgg(column='col2', aggfunc='max'),
range_score2=pd.NamedAgg(column='col3', aggfunc=R2)).head()
这里是筛选组
grouped_single[['Math','Physics']].filter(lambda x:(x['Math']>32).all()).head()
trick one: 内置函数all和any的区别
all 如果为空返回True,如果非空,全真为真 否则为假
any 有一个真为真
3. 变换(Transformation)
(a)传入对象
transform函数中传入的对象是组内的列,并且返回值需要与列长完全一致
grouped_single[['Math','Height']].transform(lambda x:x-x.min()).head()
grouped_single[['Math','Height']].transform(lambda x:(x-x.mean())/x.std()).head()
(c)利用变换方法进行组内缺失值的均值填充
df_nan = df[['Math','School']].copy().reset_index()
# 随机将一部分Math值定为nan
df_nan.loc[np.random.randint(0,df.shape[0],25),['Math']]=np.nan
df_nan.head()
df_nan.groupby('School').transform(lambda x: x.fillna(x.mean())).join(df.reset_index()['School']).head()
1. apply函数的灵活性
以分组的表传入apply中
① 标量返回值
df[['School','Math','Height']].groupby('School').apply(lambda x:x.min())
df[['School','Math','Height']].groupby('School').apply(lambda x:x-x.min()).head()
③ 数据框返回值
df[['School','Math','Height']].groupby('School')\
.apply(lambda x:pd.DataFrame({'col1':x['Math']-x['Math'].max(),
'col2':x['Math']-x['Math'].min(),
'col3':x['Height']-x['Height'].max(),
'col4':x['Height']-x['Height'].min()})).head()
from collections import OrderedDict
def f(df):
data = OrderedDict()
data['M_sum'] = df['Math'].sum()
data['W_var'] = df['Weight'].var()
data['H_mean'] = df['Height'].mean()
return pd.Series(data)
grouped_single.apply(f)
1.问题
【问题一】 什么是fillna的前向/后向填充,如何实现?
【问题二】 下面的代码实现了什么功能?请仿照设计一个它的groupby版本。
s = pd.Series ([0, 1, 1, 0, 1, 1, 1, 0])
s1 = s.cumsum()
result = s.mul(s1).diff().where(lambda x: x < 0).ffill().add(s1,fill_value =0)
【问题三】 如何计算组内0.25分位数与0.75分位数?要求显示在同一张表上。
【问题四】 既然索引已经能够选出某些符合条件的子集,那么filter函数的设计有什么意义?
【问题五】 整合、变换、过滤三者在输入输出和功能上有何异同?
【问题六】 在带参数的多函数聚合时,有办法能够绕过wrap技巧实现同样功能吗?