Pandas 04-分组

Pandas 04-分组

import numpy as np
import pandas as pd

一、分组模式及其对象

1. 分组的一般模式

分组操作在日常生活中使用极其广泛，例如：

• 依据$性别$分组，统计全国人口$寿命$的$平均值$
• 依据$季节$分组，对每一个季节的$温度$进行$组内标准化$
• 依据$班级$筛选出组内$数学分数$的$平均值超过80分的班级$

从上述的几个例子中不难看出，想要实现分组操作，必须明确三个要素：$分组依据$、$数据来源$、$操作及其返回结果$。同时从充分性的角度来说，如果明确了这三方面，就能确定一个分组操作，从而分组代码的一般模式即：

df.groupby(分组依据)[数据来源].使用操作

例如第一个例子中的代码就应该如下：

df.groupby('Gender')['Longevity'].mean()

现在返回到学生体测的数据集上，如果想要按照性别统计身高中位数，就可以如下写出：

df = pd.read_csv('../data/learn_pandas.csv')
df.groupby('Gender')['Height'].median()

Gender
Female    159.6
Male      173.4
Name: Height, dtype: float64

2. 分组依据的本质

前面提到的若干例子都是以单一维度进行分组的，比如根据性别，如果现在需要根据多个维度进行分组，该如何做？事实上，只需在groupby中传入相应列名构成的列表即可。例如，现想根据学校和性别进行分组，统计身高的均值就可以如下写出：

df.groupby(['School', 'Gender'])['Height'].mean()

School                         Gender
Fudan University               Female    158.776923
                               Male      174.212500
Peking University              Female    158.666667
                               Male      172.030000
Shanghai Jiao Tong University  Female    159.122500
                               Male      176.760000
Tsinghua University            Female    159.753333
                               Male      171.638889
Name: Height, dtype: float64

目前为止，groupby的分组依据都是直接可以从列中按照名字获取的，那如果想要通过一定的复杂逻辑来分组，例如根据学生体重是否超过总体均值来分组，同样还是计算身高的均值。

首先应该先写出分组条件：

condition = df.Weight > df.Weight.mean()

然后将其传入groupby中：

df.groupby(condition)['Height'].mean()

Weight
False    159.034646
True     172.705357
Name: Height, dtype: float64

【练一练 - 01】

请根据上下四分位数分割，将体重分为high、normal、low三组，统计身高的均值。

My solution :

• 用mask对上下四分位点分割分别替换为high , low , normal , 构造出分组condition

W = df.Weight
cond = W.mask(W>W.quantile(0.75),'high').mask(W<W.quantile(0.25),'low').mask((W<=W.quantile(0.75))&(W>=W.quantile(0.25)),'normal')
cond.head()

0    normal
1      high
2      high
3       low
4      high
Name: Weight, dtype: object

• 代入公式对Height求均值

df.groupby(cond).Height.mean()

Weight
high      174.935714
low       153.753659
normal    161.883516
Name: Height, dtype: float64

【END】

从索引可以看出，其实最后产生的结果就是按照条件列表中元素的值（此处是True和False）来分组，下面用随机传入字母序列来验证这一想法：

item = np.random.choice([*'abc'], df.shape[0])
df.groupby(item).Height.mean()

a    164.325455
b    162.975410
c    162.529851
Name: Height, dtype: float64

此处的索引就是原先item中的元素，如果传入多个序列进入groupby，那么最后分组的依据就是这两个序列对应行的唯一组合：

df.groupby([condition, item])['Height'].mean()

Weight   
False   a    159.320513
        b    158.929268
        c    158.889362
True    a    176.525000
        b    171.270000
        c    171.085000
Name: Height, dtype: float64

由此可以看出，之前传入列名只是一种简便的记号，事实上等价于传入的是一个或多个列，最后分组的依据来自于数据来源组合的unique值，通过drop_duplicates就能知道具体的组类别：

df[['School', 'Gender']].drop_duplicates()

	School	Gender
0	Shanghai Jiao Tong University	Female
1	Peking University	Male
2	Shanghai Jiao Tong University	Male
3	Fudan University	Female
4	Fudan University	Male
5	Tsinghua University	Female
9	Peking University	Female
16	Tsinghua University	Male

df.groupby([df['School'], df['Gender']])['Height'].mean()

School                         Gender
Fudan University               Female    158.776923
                               Male      174.212500
Peking University              Female    158.666667
                               Male      172.030000
Shanghai Jiao Tong University  Female    159.122500
                               Male      176.760000
Tsinghua University            Female    159.753333
                               Male      171.638889
Name: Height, dtype: float64

3. Groupby对象

能够注意到，最终具体做分组操作时，所调用的方法都来自于pandas中的groupby对象，这个对象上定义了许多方法，也具有一些方便的属性。

gb = df.groupby(['School', 'Grade'])
gb

通过ngroups属性，可以访问分为了多少组：

gb.ngroups

16

通过groups属性，可以返回从$组名$映射到$组索引列表$的字典：

res = gb.groups
res.keys() # 字典的值由于是索引，元素个数过多，此处只展示字典的键

dict_keys([('Fudan University', 'Freshman'), ('Fudan University', 'Junior'), ('Fudan University', 'Senior'), ('Fudan University', 'Sophomore'), ('Peking University', 'Freshman'), ('Peking University', 'Junior'), ('Peking University', 'Senior'), ('Peking University', 'Sophomore'), ('Shanghai Jiao Tong University', 'Freshman'), ('Shanghai Jiao Tong University', 'Junior'), ('Shanghai Jiao Tong University', 'Senior'), ('Shanghai Jiao Tong University', 'Sophomore'), ('Tsinghua University', 'Freshman'), ('Tsinghua University', 'Junior'), ('Tsinghua University', 'Senior'), ('Tsinghua University', 'Sophomore')])

【练一练 - 02】

上一小节介绍了可以通过drop_duplicates得到具体的组类别，现请用groups属性完成类似的功能。

My solution :

df.groupby(['School','Gender']).groups.keys()

dict_keys([('Fudan University', 'Female'), ('Fudan University', 'Male'), ('Peking University', 'Female'), ('Peking University', 'Male'), ('Shanghai Jiao Tong University', 'Female'), ('Shanghai Jiao Tong University', 'Male'), ('Tsinghua University', 'Female'), ('Tsinghua University', 'Male')])

【END】

当size作为DataFrame的属性时，返回的是表长乘以表宽的大小，但在groupby对象上表示统计每个组的元素个数：

gb.size()

School                         Grade    
Fudan University               Freshman      9
                               Junior       12
                               Senior       11
                               Sophomore     8
Peking University              Freshman     13
                               Junior        8
                               Senior        8
                               Sophomore     5
Shanghai Jiao Tong University  Freshman     13
                               Junior       17
                               Senior       22
                               Sophomore     5
Tsinghua University            Freshman     17
                               Junior       22
                               Senior       14
                               Sophomore    16
dtype: int64

通过get_group方法可以直接获取所在组对应的行，此时必须知道组的具体名字：

gb.get_group(('Fudan University', 'Freshman'))

	School	Grade	Name	Gender	Height	Weight	Transfer	Test_Number	Test_Date	Time_Record
15	Fudan University	Freshman	Changqiang Yang	Female	156.0	49.0	N	3	2020/1/1	0:05:25
28	Fudan University	Freshman	Gaoqiang Qin	Female	170.2	63.0	N	2	2020/1/7	0:05:24
63	Fudan University	Freshman	Gaofeng Zhao	Female	152.2	43.0	N	2	2019/10/31	0:04:00
70	Fudan University	Freshman	Yanquan Wang	Female	163.5	55.0	N	1	2019/11/19	0:04:07
73	Fudan University	Freshman	Feng Wang	Male	176.3	74.0	N	1	2019/9/26	0:03:31
105	Fudan University	Freshman	Qiang Shi	Female	164.5	52.0	N	1	2019/12/11	0:04:23
108	Fudan University	Freshman	Yanqiang Xu	Female	152.4	38.0	N	1	2019/12/8	0:05:03
157	Fudan University	Freshman	Xiaoli Lv	Female	152.5	45.0	N	2	2019/9/11	0:04:17
186	Fudan University	Freshman	Yanjuan Zhao	Female	NaN	53.0	N	2	2019/10/9	0:04:21

这里列出了2个属性和2个方法，而先前的mean、median都是groupby对象上的方法，这些函数和许多其他函数的操作具有高度相似性，将在之后的小节进行专门介绍。

4. 分组的三大操作

熟悉了一些分组的基本知识后，重新回到开头举的三个例子，可能会发现一些端倪，即这三种类型的分组返回数据的结果型态并不一样：

• 第一个例子中，每一个组返回一个标量值，可以是平均值、中位数、组容量size等
• 第二个例子中，做了原序列的标准化处理，也就是说每组返回的是一个Series类型
• 第三个例子中，既不是标量也不是序列，返回的整个组所在行的本身，即返回了DataFrame类型

由此，引申出分组的三大操作：聚合、变换和过滤，分别对应了三个例子的操作，下面就要分别介绍相应的agg、transform和filter函数及其操作。

二、聚合函数

1. 内置聚合函数

在介绍agg之前，首先要了解一些直接定义在groupby对象的聚合函数，因为它的速度基本都会经过内部的优化，使用功能时应当优先考虑。根据返回标量值的原则，包括如下函数：max/min/mean/median/count/all/any/idxmax/idxmin/mad/nunique/skew/quantile/sum/std/var/sem/size/prod。

gb = df.groupby('Gender')['Height']
gb.idxmin()

Gender
Female    143
Male      199
Name: Height, dtype: int64

gb.quantile(0.05)

Gender
Female    151.365
Male      164.400
Name: Height, dtype: float64

【练一练 - 03】

请查阅文档，明确all/any/mad/skew/sem/prod函数的含义。

My solution :

• all和any一般用于bool值列 , all表示分组后每一组中所有值都为True则返回True , 有一个False就返回False
• 上述gb对象中的Height都是非零数字 , 因此bool值都为True

gb.all()

Gender
Female    True
Male      True
Name: Height, dtype: bool

• any与all类似 , 表示bool值列中只要有一个True则返回true , 只有全为False才会返回False

gb.any()

Gender
Female    True
Male      True
Name: Height, dtype: bool

• mad(mean absolute deviation)平均绝对离差 , 用于统计学中对分组后的每组数据做离散程度分析的指标之一
• 每一组的mad可表示为 :
  $$M_i=\frac{1}{n}\sum _{k=1}^n|x_k-\bar{x}|$$

gb.mad()

Gender
Female    4.088108
Male      5.394617
Name: Height, dtype: float64

• skew(skewness)偏度 , 用来反映分组后每组数据分布的偏态程度 , 正值为右偏 , 绝对值越大 , 偏度越高
• 每组的skew可表示为 :
  $$S{K}_i=\frac{n\sqrt{n-1}}{n-2}\frac{\sum _{k=1}^n(x_k-\bar{x}{)}^3}{(\sum _{k=1}^n(x_k-\bar{x}{)}^2{)}^{\frac{3}{2}}}$$
• 类似的 , kurt(kurtosis)峰度 , 用来反映分组后每组数据分布的平尖程度 , 正值为尖峰分布 , 值越大越尖 , 负值为扁平程度 , 绝对值越大越平
• 每组的kurt可表示为 :
  $$K_i=\frac{n(n+1)(n-1)}{(n-2)(n-3)}\frac{\sum _{k=1}^n(x_k-\bar{x}{)}^4}{(\sum _{k=1}^n(x_k-\bar{x}{)}^2{)}^2}-\frac{3(n-1{)}^2}{(n-2)(n-3)}$$
• 不过 , 分组后的gb对象没有kurt方法 , 如果需要计算峰度 , 需用apply取出Series方可调用 , 如下 :

gb.skew()

Gender
Female   -0.219253
Male      0.437535
Name: Height, dtype: float64

try:
    gb.kurt()
except Exception as e:
    print(e)

'SeriesGroupBy' object has no attribute 'kurt'

gb.apply(lambda x:x.kurt())

Gender
Female   -0.324085
Male      0.920630
Name: Height, dtype: float64

• sem(standard error of mean)均值标准误差 , 描述的是多个均值样本的标准差，体现均值抽样分布的离散程度，反映样本均值之间的差异
• 设样本无偏估计标准差为s , 样本大小为N , 则分组后每组的sem可表示为 :
  $$SE{M}_i=\frac{s}{\sqrt{N}}$$

gb.sem()

Gender
Female    0.439893
Male      0.986985
Name: Height, dtype: float64

• prod(product)连乘 , 每组prod表示为 :
  $$PRO{D}_i=\prod _{k=1}^n{x}_k$$
• 本次分组后的gb对象用prod将每组身高乘起来并无实际意义

gb.prod()

Gender
Female    4.232080e+290
Male      1.594210e+114
Name: Height, dtype: float64

【END】

这些聚合函数当传入的数据来源包含多个列时，将按照列进行迭代计算：

gb = df.groupby('Gender')[['Height', 'Weight']]
gb.max()

	Height	Weight
Gender
Female	170.2	63.0
Male	193.9	89.0

2. agg方法

虽然在groupby对象上定义了许多方便的函数，但仍然有以下不便之处：

• 无法同时使用多个函数
• 无法对特定的列使用特定的聚合函数
• 无法使用自定义的聚合函数
• 无法直接对结果的列名在聚合前进行自定义命名

下面说明如何通过agg函数解决这四类问题：

【a】使用多个函数

当使用多个聚合函数时，需要用列表的形式把内置聚合函数的对应的字符串传入，先前提到的所有字符串都是合法的。

gb.agg(['sum', 'idxmax', 'skew'])

	Height			Weight
	sum	idxmax	skew	sum	idxmax	skew
Gender
Female	21014.0	28	-0.219253	6469.0	28	-0.268482
Male	8854.9	193	0.437535	3929.0	2	-0.332393

从结果看，此时的列索引为多级索引，第一层为数据源，第二层为使用的聚合方法，分别逐一对列使用聚合，因此结果为6列。

【b】对特定的列使用特定的聚合函数

对于方法和列的特殊对应，可以通过构造字典传入agg中实现，其中字典以列名为键，以聚合字符串或字符串列表为值。

gb.agg({'Height':['mean','max'], 'Weight':'count'})

	Height		Weight
	mean	max	count
Gender
Female	159.19697	170.2	135
Male	173.62549	193.9	54

【练一练 - 04】

请使用【b】中的传入字典的方法完成【a】中等价的聚合任务。

My solution :

gb.agg({'Height':['sum','idxmax','skew'],'Weight':['sum','idxmax','skew']})

	Height			Weight
	sum	idxmax	skew	sum	idxmax	skew
Gender
Female	21014.0	28	-0.219253	6469.0	28	-0.268482
Male	8854.9	193	0.437535	3929.0	2	-0.332393

【END】

【c】使用自定义函数

在agg中可以使用具体的自定义函数，$需要注意传入函数的参数是之前数据源中的列，逐列进行计算$。下面分组计算身高和体重的极差：

gb.agg(lambda x: x.max()-x.min())

	Height	Weight
Gender
Female	24.8	29.0
Male	38.2	38.0

【练一练 - 05】

在groupby对象中可以使用describe方法进行统计信息汇总，请同时使用多个聚合函数，完成与该方法相同的功能。

My solution :

gb.describe()

	Height								Weight
	count	mean	std	min	25%	50%	75%	max	count	mean	std	min	25%	50%	75%	max
Gender
Female	132.0	159.19697	5.053982	145.4	155.675	159.6	162.825	170.2	135.0	47.918519	5.405983	34.0	44.0	48.0	52.00	63.0
Male	51.0	173.62549	7.048485	155.7	168.900	173.4	177.150	193.9	54.0	72.759259	7.772557	51.0	69.0	73.0	78.75	89.0

gb.agg(['count','mean','std','min',('25%',lambda x:x.quantile(0.25)),('50%','quantile'),('75%',lambda x:x.quantile(0.75)),'max'])

	Height								Weight
	count	mean	std	min	25%	50%	75%	max	count	mean	std	min	25%	50%	75%	max
Gender
Female	132	159.19697	5.053982	145.4	155.675	159.6	162.825	170.2	135	47.918519	5.405983	34.0	44.0	48.0	52.00	63.0
Male	51	173.62549	7.048485	155.7	168.900	173.4	177.150	193.9	54	72.759259	7.772557	51.0	69.0	73.0	78.75	89.0

【END】

由于传入的是序列，因此序列上的方法和属性都是可以在函数中使用的，只需保证返回值是标量即可。下面的例子是指，如果组的指标均值，超过该指标的总体均值，返回High，否则返回Low。

def my_func(s):
    return 'Low' if s.mean() <= df[s.name].mean() else 'High'
gb.agg(my_func)

	Height	Weight
Gender
Female	Low	Low
Male	High	High

【d】聚合结果重命名

如果想要对结果进行重命名，只需要将上述函数的位置改写成元组，元组的第一个元素为新的名字，第二个位置为原来的函数，包括聚合字符串和自定义函数，现举若干例子说明：

gb.agg([('range', lambda x: x.max()-x.min()), ('my_sum', 'sum')])

	Height		Weight
	range	my_sum	range	my_sum
Gender
Female	24.8	21014.0	29.0	6469.0
Male	38.2	8854.9	38.0	3929.0

gb.agg({'Height': [('my_func', my_func), 'sum'], 'Weight': lambda x:x.max()})

	Height		Weight
	my_func	sum
Gender
Female	Low	21014.0	63.0
Male	High	8854.9	89.0

另外需要注意，使用对一个或者多个列使用单个聚合的时候，重命名需要加方括号，否则就不知道是新的名字还是手误输错的内置函数字符串：

gb.agg([('my_sum', 'sum')])

	Height	Weight
	my_sum	my_sum
Gender
Female	21014.0	6469.0
Male	8854.9	3929.0

gb.agg({'Height': [('my_func', my_func), 'sum'], 'Weight': [('range', lambda x:x.max())]})

	Height		Weight
	my_func	sum	range
Gender
Female	Low	21014.0	63.0
Male	High	8854.9	89.0

三、变换和过滤

1. 变换函数与transform方法

变换函数的返回值为同长度的序列，最常用的内置变换函数是累计函数：cumcount/cumsum/cumprod/cummax/cummin，它们的使用方式和聚合函数类似，只不过完成的是组内累计操作。此外在groupby对象上还定义了填充类和滑窗类的变换函数，这些函数的一般形式将会分别在第七章和第十章中讨论，此处略过。

gb.cummax().head()

	Height	Weight
0	158.9	46.0
1	166.5	70.0
2	188.9	89.0
3	NaN	46.0
4	188.9	89.0

【练一练 - 06】

在groupby对象中，rank方法也是一个实用的变换函数，请查阅它的功能并给出一个使用的例子。

My solution :

df6 = pd.DataFrame({'a':[0]*4 + [1]*2,
                    'b':[2, 3, 3, 4, -1, -2],
                    'c':[True, False, False, True, True, False],
                    'd':[3, 2, np.nan, 1, -3, np.nan]})
df6

	a	b	c	d
0	0	2	True	3.0
1	0	3	False	2.0
2	0	3	False	NaN
3	0	4	True	1.0
4	1	-1	True	-3.0
5	1	-2	False	NaN

• 对a列分组后排名 , 默认method为average
• 相同排名的名次用均值代替
• 可以看到数值越小排名值越小 , bool值视为0和1计算 , NaN值默认不参与排名

df6.groupby('a').rank()

	b	c	d
0	1.0	3.5	3.0
1	2.5	1.5	2.0
2	2.5	1.5	NaN
3	4.0	3.5	1.0
4	2.0	2.0	1.0
5	1.0	1.0	NaN

• 设置参数method为max则相同排名用名次值max代替 , min同理

df6.groupby('a').rank(method='max')

	b	c	d
0	1.0	4.0	3.0
1	3.0	2.0	2.0
2	3.0	2.0	NaN
3	4.0	4.0	1.0
4	2.0	2.0	1.0
5	1.0	1.0	NaN

• 设置method为dense , 则相同值的名次并列排名 , 后面的值的名次紧随其后 , 只加1

df6.groupby('a').rank(method='dense')

	b	c	d
0	1.0	2.0	3.0
1	2.0	1.0	2.0
2	2.0	1.0	NaN
3	3.0	2.0	1.0
4	2.0	2.0	1.0
5	1.0	1.0	NaN

• 设置method为first , 则从小到大排序 , 相同值按出现顺序先后名次依次递增 , 每次名次加1

df6.groupby('a').rank(method='first')

	b	c	d
0	1.0	3.0	3.0
1	2.0	1.0	2.0
2	3.0	2.0	NaN
3	4.0	4.0	1.0
4	2.0	2.0	1.0
5	1.0	1.0	NaN

• ascending控制排名升序或降序
• na_option控制NaN的处理方式 , 默认keep不处理 , top表示优先排NaN , bottom表示最后排NaN
• pct表示将排名后的名次转化为前百分比形式

df6.groupby('a').rank(ascending=False, na_option='top', pct=True)

	b	c	d
0	1.000	0.375	0.50
1	0.625	0.875	0.75
2	0.625	0.875	0.25
3	0.250	0.375	1.00
4	0.500	0.500	1.00
5	1.000	1.000	0.50

【END】

当用自定义变换时需要使用transform方法，被调用的自定义函数，$其传入值为数据源的序列$，与agg的传入类型是一致的，其最后的返回结果是行列索引与数据源一致的DataFrame。

现对身高和体重进行分组标准化，即减去组均值后除以组的标准差：

gb.transform(lambda x: (x-x.mean())/x.std()).head()

	Height	Weight
0	-0.058760	-0.354888
1	-1.010925	-0.355000
2	2.167063	2.089498
3	NaN	-1.279789
4	0.053133	0.159631

【练一练 - 07】

对于transform方法无法像agg一样，通过传入字典来对指定列使用特定的变换，如果需要在一次transform的调用中实现这种功能，请给出解决方案。

My solution :

方法一 :

• 由于transform方法传入值为数据源的序列 , 因此若需要对指定列进行特定变换 , 就需要分支处理
• 那么根据这个逻辑 , 只要回归本源处理分支即可 , 一个最基本的分支就是if-else
• 获取序列的name , 再对该分支的序列进行相应的处理

gb.transform(lambda x:x.cummin() if x.name=='Height' else x.rank()).head()

	Height	Weight
0	158.9	47.5
1	166.5	19.0
2	166.5	54.0
3	NaN	14.5
4	166.5	31.5

方法二 :

• 和方法一一样 , 只要用处理分支的逻辑即可 , 这里将需要指定的变换列名作为字典的键 , 把对应的处理方法用eval()包装起来作为字典的值就可以实现分支逻辑了
• 当然也可以自定义其他的分支逻辑 , 如switch-case等

gb.transform(lambda x:{'Height':eval('x.cummin()'),'Weight':eval('x.rank()')}[x.name]).head()

	Height	Weight
0	158.9	47.5
1	166.5	19.0
2	166.5	54.0
3	NaN	14.5
4	166.5	31.5

【END】

前面提到了 transform 只能返回同长度的序列，但事实上还可以返回一个标量，这会使得结果被广播到其所在的整个组，这种 :red:标量广播 的技巧在特征工程中是非常常见的。例如，构造两列新特征来分别表示样本所在性别组的身高均值和体重均值：

gb.transform('mean').head() # 传入返回标量的函数也是可以的

	Height	Weight
0	159.19697	47.918519
1	173.62549	72.759259
2	173.62549	72.759259
3	159.19697	47.918519
4	173.62549	72.759259

2. 组索引与过滤

在上一章中介绍了索引的用法，那么索引和过滤有什么区别呢？

过滤在分组中是对于组的过滤，而索引是对于行的过滤，在第三章中的返回值，无论是布尔列表还是元素列表或者位置列表，本质上都是对于行的筛选，即如果满足筛选条件的则选入结果的表，否则不选入。

组过滤作为行过滤的推广，指的是如果对一个组的全体所在行进行统计的结果返回True则会被保留，False则该组会被过滤，最后把所有未被过滤的组其对应的所在行拼接起来作为DataFrame返回。

在groupby对象中，定义了filter方法进行组的筛选，其中自定义函数的输入参数为数据源构成的DataFrame本身，在之前例子中定义的groupby对象中，传入的就是df[['Height', 'Weight']]，因此所有表方法和属性都可以在自定义函数中相应地使用，同时只需保证自定义函数的返回为布尔值即可。

例如，在原表中通过过滤得到所有容量大于100的组：

gb.filter(lambda x: x.shape[0] > 100).head()

	Height	Weight
0	158.9	46.0
3	NaN	41.0
5	158.0	51.0
6	162.5	52.0
7	161.9	50.0

【练一练 - 08】

从概念上说，索引功能是组过滤功能的子集，请使用filter函数完成loc[...]的功能，这里假设"..."是元素列表。

My solution :

• 假设要取的行索引为[11,3,139,172,54]
• 将df的index用isin转化为bool值 , 作为groupby的condition
• 用groupby分组后调用filter对分组依据进行筛选 , 分组依据来源于condition
• condition中只有True和False恰好作为filter的筛选条件

df.groupby(df.index.isin([11,3,139,172,54])).filter(lambda x:x.name)

	School	Grade	Name	Gender	Height	Weight	Transfer	Test_Number	Test_Date	Time_Record
3	Fudan University	Sophomore	Xiaojuan Sun	Female	NaN	41.0	N	2	2020/1/3	0:04:08
11	Tsinghua University	Junior	Xiaoquan Lv	Female	153.2	43.0	N	2	2019/9/16	0:04:49
54	Peking University	Freshman	Xiaojuan Chu	Male	162.4	58.0	Y	3	2019/11/29	0:03:42
139	Tsinghua University	Sophomore	Qiang Zhou	Female	150.5	36.0	N	1	2019/11/4	0:04:27
172	Shanghai Jiao Tong University	Junior	Quan Zhao	Female	160.6	53.0	N	2	2019/10/4	0:03:45

【END】

四、跨列分组

1. apply的引入

之前几节介绍了三大分组操作，但事实上还有一种常见的分组场景，无法用前面介绍的任何一种方法处理，例如现在如下定义身体质量指数BMI：
$$\mathrm{B}\mathrm{M}\mathrm{I}=\frac{\mathrm{W}\mathrm{e}\mathrm{i}\mathrm{g}\mathrm{h}\mathrm{t}}{\mathrm{H}\mathrm{e}\mathrm{i}\mathrm{g}\mathrm{h}{\mathrm{t}}^2}$$
其中体重和身高的单位分别为千克和米，需要分组计算组BMI的均值。

首先，这显然不是过滤操作，因此filter不符合要求；其次，返回的均值是标量而不是序列，因此transform不符合要求；最后，似乎使用agg函数能够处理，但是之前强调过聚合函数是逐列处理的，而不能够$多列数据同时处理$。由此，引出了apply函数来解决这一问题。

2. apply的使用

在设计上，apply的自定义函数传入参数与filter完全一致，只不过后者只允许返回布尔值。现如下解决上述计算问题：

def BMI(x):
    Height = x['Height']/100
    Weight = x['Weight']
    BMI_value = Weight/Height**2
    return BMI_value.mean()
gb.apply(BMI)

Gender
Female    18.860930
Male      24.318654
dtype: float64

除了返回标量之外，apply方法还可以返回一维Series和二维DataFrame，但它们产生的数据框维数和多级索引的层数应当如何变化？下面举三组例子就非常容易明白结果是如何生成的：

【a】标量情况：结果得到的是 Series ，索引与 agg 的结果一致

gb = df.groupby(['Gender','Test_Number'])[['Height','Weight']]
gb.apply(lambda x: 0)

Gender  Test_Number
Female  1              0
        2              0
        3              0
Male    1              0
        2              0
        3              0
dtype: int64

gb.apply(lambda x: [0, 0]) # 虽然是列表，但是作为返回值仍然看作标量

Gender  Test_Number
Female  1              [0, 0]
        2              [0, 0]
        3              [0, 0]
Male    1              [0, 0]
        2              [0, 0]
        3              [0, 0]
dtype: object

【b】Series情况：得到的是DataFrame，行索引与标量情况一致，列索引为Series的索引

gb.apply(lambda x: pd.Series([0,0],index=['a','b']))

		a	b
Gender	Test_Number
Female	1	0	0
	2	0	0
	3	0	0
Male	1	0	0
	2	0	0
	3	0	0

【练一练 - 09】

请尝试在apply传入的自定义函数中，根据组的某些特征返回相同长度但索引不同的Series，会报错吗？

My solution :

• 首先我们先定义一个index生成器 , 并设置每次生成的index都是相同的值
• 这里先尝试给每组返回的Series的index都设置为a

generator = (i for i in 'a'*6) #生成器推导式 , 和列表推导时很神似 , []换成()即可
gb.apply(lambda x:pd.Series(0, index = [*next(generator)])) 

		a
Gender	Test_Number
Female	1	0
	2	0
	3	0
Male	1	0
	2	0
	3	0

• 我们发现每次传入Series的index都相同是可以正常运行的
• 现在将生成器中的index序列换成不同值再次使用apply试试

generator = (i for i in 'abcdef')
try :
    gb.apply(lambda x:pd.Series(0, index = [*next(generator)]))
except Exception as e:
    print(f'Error:{e}')

Error:

• 会发现报错了 , 但是没有给出具体的错误类型

结论 : 会报一个未知类型的错误

【END】

【c】DataFrame情况：得到的是DataFrame，行索引最内层在每个组原先agg的结果索引上，再加一层返回的DataFrame行索引，同时分组结果DataFrame的列索引和返回的DataFrame列索引一致。

gb.apply(lambda x: pd.DataFrame(np.ones((2,2)), index = ['a','b'], columns=pd.Index([('w','x'),('y','z')]))).head()

			w	y
			x	z
Gender	Test_Number
Female	1	a	1.0	1.0
		b	1.0	1.0
	2	a	1.0	1.0
		b	1.0	1.0
	3	a	1.0	1.0

【练一练 - 10】

请尝试在apply传入的自定义函数中，根据组的某些特征返回相同大小但列索引不同的DataFrame，会报错吗？如果只是行索引不同，会报错吗？

My solution :

• 同样的 , 像上一题一样先构造一个行索引都一样的生成器
• 很显然 , 行索引和列索引都相同 , 分组后的gb对象使用apply是没问题的

generator = (i for i in ['ab']*6)
gb.apply(lambda x: pd.DataFrame(np.ones((2,2)), index = [*next(generator)],columns=[*'xy'])).head()

			x	y
Gender	Test_Number
Female	1	a	1.0	1.0
		b	1.0	1.0
	2	a	1.0	1.0
		b	1.0	1.0
	3	a	1.0	1.0

• 现在将行索引设置为变化的 , 再次运行 , 也是没问题的

generator = (i for i in ['ab','cd','ef','gh','ij','kl'])
gb.apply(lambda x: pd.DataFrame(np.ones((2,2)), index = [*next(generator)],columns=[*'xy'])).head()

			x	y
Gender	Test_Number
Female	1	a	1.0	1.0
		b	1.0	1.0
	2	c	1.0	1.0
		d	1.0	1.0
	3	e	1.0	1.0

• 这一次我们固定行索引 , 只设置相同的列索引生成器 , 此时行索引列索引都相同 , 很显然也是没问题的

generator = (i for i in ['xy']*6)
gb.apply(lambda x: pd.DataFrame(np.ones((2,2)), index = [*'ab'],columns=[*next(generator)])).head()

			x	y
Gender	Test_Number
Female	1	a	1.0	1.0
		b	1.0	1.0
	2	a	1.0	1.0
		b	1.0	1.0
	3	a	1.0	1.0

• 现在固定行索引 , 把列索引生成器设置为变化的 , 但变化的列中又夹杂着部分相同的列名
• 我们惊奇的发现 , 这和上一题传入Series不一样 , 并没有报错
• 而是相同列名被合并了 , 不同的列名被扩展开了 , 并且有值的填值 , 没值的填充为NaN

generator = (i for i in ['tu','uv','vw','wx','xy','yz'])
gb.apply(lambda x: pd.DataFrame(np.ones((2,2)), index = [*'ab'],columns=[*next(generator)]))

			t	u	v	w	x	y	z
Gender	Test_Number
Female	1	a	1.0	1.0	NaN	NaN	NaN	NaN	NaN
		b	1.0	1.0	NaN	NaN	NaN	NaN	NaN
	2	a	NaN	1.0	1.0	NaN	NaN	NaN	NaN
		b	NaN	1.0	1.0	NaN	NaN	NaN	NaN
	3	a	NaN	NaN	1.0	1.0	NaN	NaN	NaN
		b	NaN	NaN	1.0	1.0	NaN	NaN	NaN
Male	1	a	NaN	NaN	NaN	1.0	1.0	NaN	NaN
		b	NaN	NaN	NaN	1.0	1.0	NaN	NaN
	2	a	NaN	NaN	NaN	NaN	1.0	1.0	NaN
		b	NaN	NaN	NaN	NaN	1.0	1.0	NaN
	3	a	NaN	NaN	NaN	NaN	NaN	1.0	1.0
		b	NaN	NaN	NaN	NaN	NaN	1.0	1.0

结论 :

1. 在apply传入的自定义函数中 , 无论每组返回的DataFrame行索引列索引是否相同 , 都不会报错
2. 每个分组并不需要共用行索引 , 所以行索引不报错也就很容易理解了
3. 不同的列索引会被拆分为单列 , 并展开为所有单列集合的unique值形成最终列 , 然后有值的填值 , 没值的填NaN

【END】

最后需要强调的是，apply函数的灵活性是以牺牲一定性能为代价换得的，除非需要使用跨列处理的分组处理，否则应当使用其他专门设计的groupby对象方法，否则在性能上会存在较大的差距。同时，在使用聚合函数和变换函数时，也应当优先使用内置函数，它们经过了高度的性能优化，一般而言在速度上都会快于用自定义函数来实现。

【练一练 - 11】

在groupby对象中还定义了cov和corr函数，从概念上说也属于跨列的分组处理。请利用之前定义的gb对象，使用apply函数实现与gb.cov()同样的功能并比较它们的性能。

My solution :

• 先来试试gb对象下的cov

gb.cov().head(3)

			Height	Weight
Gender	Test_Number
Female	1	Height	20.963600	21.452034
		Weight	21.452034	26.438244
	2	Height	31.615680	30.386170

• 用apply分别计算每个组的DataFrame下的cov

gb.apply(lambda x:x.cov()).head(3)

			Height	Weight
Gender	Test_Number
Female	1	Height	20.963600	21.452034
		Weight	21.452034	26.438244
	2	Height	31.615680	30.386170

• 用apply将每个组的每个列拆开分别计算各列之间的协方差矩阵

gb.apply(lambda x:pd.DataFrame([[x[i].cov(x[j]) for j in x.columns] for i in x.columns],index=x.columns,columns=x.columns)).head(3)

			Height	Weight
Gender	Test_Number
Female	1	Height	20.963600	21.452034
		Weight	21.452034	26.438244
	2	Height	31.615680	30.386170

• 来分别测试这三种方法的性能 :

%timeit -n 100 gb.cov()

5.14 ms ± 178 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

%timeit -n 100 gb.apply(lambda x:x.cov())

5.54 ms ± 548 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

%timeit -n 100 gb.apply(lambda x:pd.DataFrame([[x[i].cov(x[j]) for j in x.columns] for i in x.columns],index=x.columns,columns=x.columns))

10.5 ms ± 411 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

结论 :

1. 可以看到gb对象下的cov性能最好
2. 而每个组的DataFrame单独调cov则稍显逊色 , 毕竟拆分合并的过程也消耗点时间的 , 如果分组数很多 , 那么差异就更明显了
3. 然而将每个组的各个列分别组合求协方差 , 再组成矩阵返回 , 性能就大大折扣了 , 这里的cov好歹还是Series里的方法 , 如果自己手写一个cov方法那将完全无法与gb对象下的cov媲美了
4. 同理 , 上述分析过程中的cov换成corr相关系数 , 也会得出同样的结论

【END】

五、练习

Ex1：汽车数据集

现有一份汽车数据集，其中Brand, Disp., HP分别代表汽车品牌、发动机蓄量、发动机输出。

df = pd.read_csv('../data/car.csv')
df.head(3)

	Brand	Price	Country	Reliability	Mileage	Type	Weight	Disp.	HP
0	Eagle Summit 4	8895	USA	4.0	33	Small	2560	97	113
1	Ford Escort 4	7402	USA	2.0	33	Small	2345	114	90
2	Ford Festiva 4	6319	Korea	4.0	37	Small	1845	81	63

1. 先过滤出所属Country数超过2个的汽车，即若该汽车的Country在总体数据集中出现次数不超过2则剔除，再按Country分组计算价格均值、价格变异系数、该Country的汽车数量，其中变异系数的计算方法是标准差除以均值，并在结果中把变异系数重命名为CoV。
2. 按照表中位置的前三分之一、中间三分之一和后三分之一分组，统计Price的均值。
3. 对类型Type分组，对Price和HP分别计算最大值和最小值，结果会产生多级索引，请用下划线把多级列索引合并为单层索引。
4. 对类型Type分组，对HP进行组内的min-max归一化。
5. 对类型Type分组，计算Disp.与HP的相关系数。

My solution :

1. 按Country分组后用filter对每组的样本数过滤

df1 = df.groupby('Country').filter(lambda x:x.shape[0]>2)
df1.head(3)

	Brand	Price	Country	Reliability	Mileage	Type	Weight	Disp.	HP
0	Eagle Summit 4	8895	USA	4.0	33	Small	2560	97	113
1	Ford Escort 4	7402	USA	2.0	33	Small	2345	114	90
2	Ford Festiva 4	6319	Korea	4.0	37	Small	1845	81	63

• 得到过滤结果再次按Country分组拿出Price列用agg分别将需要处理的函数名放入 , 其中变异系数用元祖的方式传入重命名

df1.groupby('Country').Price.agg(['mean',('CoV',lambda x:x.std()/x.mean()),'count'])

	mean	CoV	count
Country
Japan	13938.052632	0.387429	19
Japan/USA	10067.571429	0.240040	7
Korea	7857.333333	0.243435	3
USA	12543.269231	0.203344	26

2. 先构造一个长度与df样本数相同的condition序列 , 设置初始值为middle , 用mask将前1/3替换为front , 后1/3替换为back

condition = pd.Series(['middle']*df.shape[0]).mask(df.index<df.shape[0]/3,'front').mask(df.index>=2*df.shape[0]/3,'back')
condition.head(3)

0    front
1    front
2    front
dtype: object

• 对df按condition分组后取出Price列求均值

df.groupby(condition).Price.mean()

back      15420.65
front      9069.95
middle    13356.40
Name: Price, dtype: float64

3. 对df按Type分组后使用agg以传入字典的方式对指定列进行聚合

df3 = df.groupby('Type').agg({'Price':['max'],'HP':['min']})
df3.head(3)

	Price	HP
	max	min
Type
Compact	18900	95
Large	17257	150
Medium	24760	110

• 用上一章的知识对多级列索引映射

df3.columns = df3.columns.map(lambda x:'_'.join(x))
df3.head(3)

	Price_max	Price_min	HP_max	HP_min
Type
Compact	18900	9483	142	95
Large	17257	14525	170	150
Medium	24760	9999	190	110

4. 对df按Type分组，由于归一化需返回同长度序列 , 故取出HP列用transform调用自定义归一化方法

df.groupby('Type').HP.transform(lambda x:(x-x.min())/(x.max()-x.min())).head(3)

0    1.00
1    0.54
2    0.00
Name: HP, dtype: float64

5. 对df按Type分组，取出Disp.与HP列调用corr即可

df.groupby('Type')[['Disp.','HP']].corr().head(3)

		Disp.	HP
Type
Compact	Disp.	1.000000	0.586087
	HP	0.586087	1.000000
Large	Disp.	1.000000	-0.242765

Ex2：实现transform函数

1. groupby对象的构造方法是my_groupby(df, group_cols)
2. 支持单列分组与多列分组
3. 支持带有标量广播的my_groupby(df)[col].transform(my_func)功能
4. pandas的transform不能跨列计算，请支持此功能，即仍返回Series但col参数为多列
5. 无需考虑性能与异常处理，只需实现上述功能，在给出测试样例的同时与pandas中的transform对比结果是否一致

My solution :

• 我的思路是模仿pandas自带的groupby , 用df.groupby的方式创建一个分组对象 , 要用.调用方法的话那么df应该也要包装成类 , GroupBy又是一个类 , 所以一个初始的结构就出来了 :

    class GroupBy():
        def __init__(self, df, cols):
            pass
            
    class MyDF():
        def __init__(self, df):
            self.__df = df
        def groupby(self, cols):
            return GroupBy(self.__df, cols)

• 此时着重设计GroupBy类 , 考虑到transform是在分组的基础上把每个子组传给自定义函数 , 那么先做好分组就尤为重要了

• 分组需要知道分了多少组 , 每组的组名和每组的内容是什么 , 可以想到一个组名对应一个分组的索引序列 , 正如pandas的gb下的groups属性 , 现在目标就是做一个groups属性

• 获取需要分组的列(先判断传入的cols是str还是list , 统一转换为list) , 用enumerate遍历分组的列中每行数据并取出对应的索引 , 把要分组的列中每个元素打包成键 , 由于键必须是不可变的 , 那么单列分组就用str , 多列就打包成元组 , 接下来只要用字典特性get获取 , 重复的键就在后面追加索引 , 否则新增一个键 , 这个过程和drop_duplicates类似 , 最终得到不重复的组和对应的索引

• 但是这样还不够 , 一般情况下分组后行都是被打乱的 , 考虑到每个组做完变换后 , 行索引还要恢复到原来的样子 , 就需要对行索引做一个有顺序的标记 , 刚好上一步中enumerate取出的第一个变量就是顺序索引 , 可以顺便同时构造出一个indices方便后续做复原索引

• 接下来就是再做一个get_group方法 , 获取指定的子组 , 同样是为后续操作做铺垫 , 取出先前做好的groups属性中每个子组对应的行索引数组 , 用index下的isin方法筛选出子组 , 这里要考虑筛选后的子组可能会追加用[]传入键值再筛选列的情况 , 此时类中添加一个__get_item__方法就可以实现 , 需要判断传入的键是str还是list , 然后在__init__中添加一个私有属性self.__op_col , 专门记录传入的键值 , 默认为None , 在使用的时候判断这个值是否为空 , 非空就用[]取出子组的指定列

• 到这里全部铺垫做好了 , 开始实现transform功能 , 遍历groups中每个子组 , 获取子组后传给自定义function , 每个子组都做完变换后再拼接起来 , 这里考虑到做完变换后得到的变换结果可能是 : 标量, Series , DataFrame , 前两种都用Series处理 , 其中标量指定index就可以自动广播 , 如果是DataFrame不用管直接拼接起来

• 最后就是更换顺序索引并排序恢复如初 , 被transform后的索引仍然和分组后的乱序一样 , 这时就需用到indices的有序索引标记了 , 将transform变换结果的索引换成有序的indices里的索引值再排序 , 就像把打乱的魔方复原一样 , 让变换结果的行索引归位 , 然后就是起名字了 , 如果结果只有一列那就是Series , 可以模仿pandas的命名方式 , 用上面提到的[]传入的列名命名 , 如果是多列操作 , 那就算了 , 可以用自定义方法的名字命名 , 也可以给transform方法设置一个带默认参数为None的rename形参 , 就像agg可以传入包含自定义命名的元组一样 , 如果变换结果是DataFrame就判断[]是否为空 , 非空就用[]取的列命名 , 否则就用变换后的列命名 , 这样命名能满足一些基本需求 , 其他情况就还是用一个带默认参数的形参让调用者自定义命名了

• 调试my_groupby功能与pandas自带的groupby作对比 , 调试过程会有很多次出错 , 然后想办法修改 , 边写边调边改 , 好的代码不是写出来的而是不断改出来的

• GroupBy类 :

class GroupBy():
    def __init__(self, df, cols):
        self.__df = df
        self.__cols = [cols] if type(cols)==str else cols
        self.groups = {}
        self.indices = {}
        for i,group in enumerate(self.__df[self.__cols].values):
            key = group[0] if len(self.__cols)==1 else (*group,)
            if self.groups.get(key):
                self.groups[key].append(self.__df.index[i])
                self.indices[key] = np.hstack((self.indices[key], np.array(i)))
            else:
                self.groups[key], self.indices[key] = [self.__df.index[i]], np.array(i)
        self.ngroups = len(self.groups)
        self.__op_col = None
        
    def get_group(self, group):
        sub_group = self.__df[self.__df.index.isin(self.groups[group])]
        return sub_group[self.__op_col] if self.__op_col else sub_group
    
    def __getitem__(self, col):
        self.__op_col = col if type(col)==str else [*col]
        return self
    
    def __trans_group(self, group, func):
        grouped = func(self.get_group(group))
        return grouped if isinstance(grouped, pd.DataFrame) else pd.Series(grouped, index=self.groups[group])
    
    def transform(self, func):
        trans_group = pd.concat([self.__trans_group(group, func) for group in self.groups.keys()])
        indices = np.hstack((*self.indices.values(),))
        if isinstance(trans_group, pd.DataFrame):
            return pd.DataFrame(trans_group.values, index=indices, columns=self.__op_col if type(self.__op_col)==str else trans_group.columns).sort_index()
        return pd.Series(trans_group.values, index=indices, name=self.__op_col if type(self.__op_col)==str else func.__name__).sort_index()

• MyDF类 :

class MyDF():
    def __init__(self, df):
        self.__df = df

    def groupby(self, cols):
        return GroupBy(self.__df, cols)

• 将df传入MyDF类中创建一个待分组实例

my_df = MyDF(df)
my_df

<__main__.MyDF at 0x13641062080>

• 调用类中的groupby方法 , 先传入一个单列 , 得到一个my_gb对象

gb = df.groupby('Country')
my_gb = my_df.groupby('Country')
print(gb)
print(my_gb)

<__main__.GroupBy object at 0x0000013640FB6E10>

• 先来看看自定义的my_gb对象中的属性

print(gb.ngroups)
print(my_gb.ngroups)

8
8

print(gb.groups)
print(my_gb.groups)

{'France': [33], 'Germany': [12, 22], 'Japan': [4, 8, 9, 11, 17, 18, 19, 21, 29, 30, 31, 37, 45, 46, 49, 56, 57, 58, 59], 'Japan/USA': [3, 6, 10, 27, 28, 34, 35], 'Korea': [2, 7, 44], 'Mexico': [5], 'Sweden': [36], 'USA': [0, 1, 13, 14, 15, 16, 20, 23, 24, 25, 26, 32, 38, 39, 40, 41, 42, 43, 47, 48, 50, 51, 52, 53, 54, 55]}
{'USA': [0, 1, 13, 14, 15, 16, 20, 23, 24, 25, 26, 32, 38, 39, 40, 41, 42, 43, 47, 48, 50, 51, 52, 53, 54, 55], 'Korea': [2, 7, 44], 'Japan/USA': [3, 6, 10, 27, 28, 34, 35], 'Japan': [4, 8, 9, 11, 17, 18, 19, 21, 29, 30, 31, 37, 45, 46, 49, 56, 57, 58, 59], 'Mexico': [5], 'Germany': [12, 22], 'France': [33], 'Sweden': [36]}

print(gb.indices)
print(my_gb.indices)

{'France': array([33], dtype=int64), 'Germany': array([12, 22], dtype=int64), 'Japan': array([ 4,  8,  9, 11, 17, 18, 19, 21, 29, 30, 31, 37, 45, 46, 49, 56, 57,
       58, 59], dtype=int64), 'Japan/USA': array([ 3,  6, 10, 27, 28, 34, 35], dtype=int64), 'Korea': array([ 2,  7, 44], dtype=int64), 'Mexico': array([5], dtype=int64), 'Sweden': array([36], dtype=int64), 'USA': array([ 0,  1, 13, 14, 15, 16, 20, 23, 24, 25, 26, 32, 38, 39, 40, 41, 42,
       43, 47, 48, 50, 51, 52, 53, 54, 55], dtype=int64)}
{'USA': array([ 0,  1, 13, 14, 15, 16, 20, 23, 24, 25, 26, 32, 38, 39, 40, 41, 42,
       43, 47, 48, 50, 51, 52, 53, 54, 55]), 'Korea': array([ 2,  7, 44]), 'Japan/USA': array([ 3,  6, 10, 27, 28, 34, 35]), 'Japan': array([ 4,  8,  9, 11, 17, 18, 19, 21, 29, 30, 31, 37, 45, 46, 49, 56, 57,
       58, 59]), 'Mexico': 5, 'Germany': array([12, 22]), 'France': 33, 'Sweden': 36}

• 上述两个属性排列顺序不一样 , 内容都一样

gb.get_group('Korea')

	Brand	Price	Country	Reliability	Mileage	Type	Weight	Disp.	HP
2	Ford Festiva 4	6319	Korea	4.0	37	Small	1845	81	63
7	Pontiac LeMans 4	7254	Korea	1.0	28	Small	2350	98	74
44	Hyundai Sonata 4	9999	Korea	NaN	23	Medium	2885	143	110

my_gb.get_group('Korea')

	Brand	Price	Country	Reliability	Mileage	Type	Weight	Disp.	HP
2	Ford Festiva 4	6319	Korea	4.0	37	Small	1845	81	63
7	Pontiac LeMans 4	7254	Korea	1.0	28	Small	2350	98	74
44	Hyundai Sonata 4	9999	Korea	NaN	23	Medium	2885	143	110

• 多列分组 :

df.groupby(['Type','Country'])['Price'].transform(lambda x:(x-x.mean())/x.std()).head()

0    0.707107
1   -0.707107
2   -0.707107
3   -0.896336
4   -0.322354
Name: Price, dtype: float64

my_df.groupby(['Type','Country'])['Price'].transform(lambda x:(x-x.mean())/x.std()).head()

0    0.707107
1   -0.707107
2   -0.707107
3   -0.896336
4   -0.322354
Name: Price, dtype: float64

• 标量广播 :

df.groupby(['Type','Country'])['Price'].transform(lambda x:x.std()).head()

0    1055.710424
1    1055.710424
2     661.144840
3    1069.911679
4    1672.077151
Name: Price, dtype: float64

my_df.groupby(['Type','Country'])['Price'].transform(lambda x:x.std()).head()

0    1055.710424
1    1055.710424
2     661.144840
3    1069.911679
4    1672.077151
Name: Price, dtype: float64

• 跨列计算 :

my_df.groupby(['Type','Country'])['HP','Disp.'].transform(lambda x:x.HP/x['Disp.']).head()

0    1.164948
1    0.789474
2    0.777778
3    1.010989
4    0.911504
Name: , dtype: float64

• 不做任何操作 , 返回DadaFrame

df.groupby(['Type','Country'])[['HP','Disp.']].transform(lambda x:x).head()

	HP	Disp.
0	113	97
1	90	114
2	63	81
3	92	91
4	103	113

my_df.groupby(['Type','Country'])[['HP','Disp.']].transform(lambda x:x).head()

	HP	Disp.
0	113	97
1	90	114
2	63	81
3	92	91
4	103	113