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）：

 >>> 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：

 >>> grouped = df['data1'].groupby(df['key1'])
 >>> grouped
 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：

 >>> 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：

 >>> 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）：

 >>> 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：

 >>> 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：

 >>> 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：

 >>> 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：

 >>> 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：

 >>> 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：

 >>> 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')
 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：

 >>> 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}

 >>> grouped
 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：

 >>> df.groupby('key1')['data1']
 0x06615FD0>
 >>> df.groupby('key1')['data2']
 0x06615CB0>
 >>> df.groupby('key1')[['data2']]
 0x06615F10>

和以下代码是等效的：

 >>> df['data1'].groupby([df['key1']])
 0x06615FD0>
 >>> df[['data2']].groupby([df['key1']])
 0x06615F10>
 >>> df['data2'].groupby([df['key1']])
 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：

 >>> 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）：

 >>> s_grouped = df.groupby(['key1', 'key2'])['data2']
 >>> s_grouped
 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：

 >>> 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：

 >>> 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)
 'dict'>

现在，只需将这个字典传给groupby即可：

 >>> by_column = people.groupby(mapping, axis=1)
 >>> by_column
 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 ：

 >>> 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：

 >> 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：

 >>> 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：

 >>> 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