【Python笔记】Pandas数据分组：Groupby

---

Reference:Pandas之超好用的Groupby用法详解

在日常的数据分析中，经常需要将数据 根据某个（多个）字段划分为不同的群体（group） 进行分析，如电商领域将全国的总销售额根据省份进行划分，分析各省销售额的变化情况，社交领域将用户根据画像（性别、年龄）进行细分，研究用户的使用情况和偏好等。在Pandas中，上述的数据处理操作主要运用groupby完成，这篇文章就介绍一下groupby的基本原理及对应的agg、transform和apply操作。

为了后续图解的方便，采用模拟生成的10个样本数据，代码和数据如下：

company=["A","B","C"]

data=pd.DataFrame({
     
    "company":[company[x] for x in np.random.randint(0,len(company),10)],
    "salary":np.random.randint(5,50,10),
    "age":np.random.randint(15,50,10)
}
)

1 Groupbyの基本原理

在pandas中，实现分组操作的代码很简单，仅需一行代码，在这里，将上面的数据集按照company字段进行划分：

group=data.groupby('company')

将上述代码输入ipython后，会得到一个DataFrameGroupBy对象

group

<pandas.core.groupby.generic.DataFrameGroupBy object at 0x04AF5CD0>

那这个生成的DataFrameGroupBy是啥呢？对data进行了groupby后发生了什么？ipython所返回的结果是其内存地址，并不利于直观地理解，为了看看group内部究竟是什么，这里把group转换成list的形式来看一看：

list(group)

[('A',   company  salary  age
  1       A      31   30), 
  ('B',   company  salary  age
  3       B      17   47
  4       B      41   27
  6       B       7   18
  7       B      30   38
  9       B      25   21), 
  ('C',   company  salary  age
  0       C      34   35
  2       C       7   33
  5       C      49   27
  8       C      38   48)]

转换成列表的形式后，可以看到，列表由三个元组组成，每个元组中，第一个元素是组别（这里是按照company进行分组，所以最后分为了A,B,C），第二个元素的是对应组别下的DataFrame，整个过程可以图解如下：

总结来说，groupby的过程就是将原有的DataFrame按照groupby的字段（这里是company），划分为若干个分组DataFrame，被分为多少个组就有多少个分组DataFrame。

所以说，在groupby之后的一系列操作（如agg、apply等），均是基于子DataFrame的操作。理解了这点，也就基本摸清了Pandas中groupby操作的主要原理。下面来讲讲groupby之后的常见操作。

2 groupby+agg 聚合

聚合操作是groupby后非常常见的操作，会写SQL的朋友对此应该是非常熟悉了。聚合操作可以用来求和、均值、最大值、最小值等，下面的表格列出了Pandas中常见的聚合操作。

针对样例数据集，如果我想求不同公司员工的平均年龄和平均薪水，可以按照下方的代码进行：

data.groupby('company').agg('mean')
# data.groupby('company').mean()

如果想对针对不同的列求不同的值，比如要计算不同公司员工的平均年龄以及薪水的中位数，可以利用字典进行聚合操作的指定：

data.groupby('company').agg({
     'salary':'median','age':'mean'})

3 groupby+transform

为了更好地理解transform和agg的不同，下面从实际的应用场景出发进行对比。

在上面的agg中，我们学会了如何求不同公司员工的平均薪水，如果现在需要在原数据集中新增一列avg_salary，代表员工所在的公司的平均薪水（相同公司的员工具有一样的平均薪水），该怎么实现呢？

如果按照正常的步骤来计算，需要先求得不同公司的平均薪水，然后按照员工和公司的对应关系填充到对应的位置，不用transform的话，实现代码如下：

dic=data.groupby('company').agg('mean')['salary'].to_dict()
data['avg_salary']=data['company'].map(dic)

如果使用transform的话，仅需要一行代码：

data['avg_salary_1']=data.groupby('company')['salary'].transform('mean')

图中的大方框是transform和agg所不一样的地方

• 对agg而言，会计算得到A，B，C公司对应的均值并直接返回
• 对transform而言，则会对每一条数据求得相应的结果，同一组内的样本会有相同的值，组内求完均值后会按照原索引的顺序返回结果，如果有不理解的可以拿这张图和agg那张对比一下。

4 groupby+apply

apply应该是大家的老朋友了，它相比agg和transform而言更加灵活，能够传入任意自定义的函数，实现复杂的数据操作。

【Python笔记】Pandas数据处理：map、apply、applymap介绍了apply的使用，那在groupby后使用apply和之前所介绍的有什么区别呢？

区别是有的，但是整个实现原理是基本一致的。

两者的区别在于：

• 对于groupby后的apply，以分组后的子DataFrame作为参数传入指定函数的，基本操作单位是DataFrame
• 之前介绍的apply的基本操作单位是Series

假设我现在需要获取各个公司年龄最大的员工的数据，可以用以下代码实现：

def get_oldest_staff(group):
    return group.sort_values(by='age',ascending=True)[-1:]

data.groupby('company',as_index=False).apply(get_oldest_staff)

可以看到，此处的apply和上篇文章中所介绍的作用原理基本一致，只是传入函数的参数由Series变为了此处的分组DataFrame。

---

最后，关于apply的使用，这里有个小建议：

• 虽然说apply拥有更大的灵活性，但apply的运行效率会比agg和transform更慢。所以，groupby之后能用agg和transform解决的问题还是优先使用这两个方法，实在解决不了了才考虑使用apply进行操作