pandas数据预处理之dataframe的groupby操作

在数据预处理过程中可能会遇到这样的问题，如下图：数据中某一个key有多组数据，如何分别对每个key进行相同的运算？

‘

dataframe里面给出了一个group by的一个操作，对于”group by”操作，我们通常是指以下一个或多个操作步骤：

l  （Splitting）按照一些规则将数据分为不同的组；

l  （Applying）对于每组数据分别执行一个函数；

l  （Combining）将结果组合到一个数据结构中；

使用dataframe实现groupby的用法：

# -*- coding: UTF-8 -*-
import pandas as pd
df = pd.DataFrame([{'col1':'a', 'col2':1, 'col3':'aa'}, {'col1':'b', 'col2':2, 'col3':'bb'}, {'col1':'c', 'col2':3, 'col3':'cc'}, {'col1':'a', 'col2':44, 'col3':'aa'}])
print df
# 按col1分组并按col2求和
print df.groupby(by='col1').agg({'col2':sum}).reset_index()
# 按col1分组并按col2求最值
print df.groupby(by='col1').agg({'col2':['max', 'min']}).reset_index()
# 按col1 ，col3分组并按col2求和
print df.groupby(by=['col1', 'col3']).agg({'col2':sum}).reset_index()

输出结果为：

  col1  col2 col3
0    a     1   aa
1    b     2   bb
2    c     3   cc
3    a    44   aa

  col1  col2
0    a    45
1    b     2
2    c     3

  col1 col2    
        max min
0    a   44   1
1    b    2   2
2    c    3   3

  col1 col3  col2
0    a   aa    45
1    b   bb     2
2    c   cc     3

注意点：
代码中调用了reset_index() 函数, 如果不使用这个函数输出的结果将是：

      col2
col1      
a       45
b        2
c        3
     col2    
      max min
col1         
a      44   1
b       2   2
c       3   3
           col2
col1 col3      
a    aa      45
b    bb       2
c    cc       3

上下两个结果还是有区别的，但是具体区别暂时不太清楚，不过下面的一种输出结果是不能跟使用df['col1']来提取第一列的。至于是什么原因暂时还不清楚，如果您对pandas比较理解或者知道原因，欢迎在评论中留言。