《深入浅出Pandas：利用Python进行数据处理与分析》——第3部分 数据形式变化_01分组聚合

pandas数据分组、聚合和简单可视化操作和方法。

分组聚合操作

# Pandas分组聚合：数据的分组聚合操作
import pandas as pd
df = pd.read_excel("datasets/team.xlsx")
df.groupby(['team']).sum()  # 分组、聚合[求和]操作
df.groupby(['team']).agg({'Q1':sum, 'Q2':max, 'Q3':min, 'Q4':'mean'})  # 应用不同的聚合计算方式
df.groupby(['team']).agg({'Q1':[sum,max, min], 'Q2':max, 'Q3':min, 'Q4':'mean'})  # 同一列应用多种聚合计算方法
# 分组过程，groupby按照指定字段对数据进行分组，生成分组器对象
df.groupby("team")  # 单列分组
df.groupby(['team'])  # 单列分组
df.groupby(['team', 'Q1']).sum()  # 多列分组
# 分组对象的查看
group = df.groupby("team")
group.get_group('A')  # 查看team为A的单个分组对象内容
# 分组依据也可传入函数，将数据分成多组【例如True和False两种】
def score(index):
    score = df.loc[index]['Q1':'Q4'].mean()
    if score >= 90:
        return 'A'
    elif score >= 80:
        return 'B'
    elif score >= 60:
        return 'C'
    else:
        return 'D'

group = df.groupby(lambda x:score(x))  # 根据平均成绩分为四组
group['team'].count()  # 各组数量

分组器

# 分组器Grouper，可以复用分组工作
df.groupby(pd.Grouper('team', sort=True), as_index=False).sum()  # 分组字段不成为索引
df.groupby('team', sort=False).sum()
df.drop('name', axis=1)  # 删除某列axis=1或者删除某行axis=0

分组对象查看

# 分组对象内容的查看，类似于字典的操作
df.groupby('team').groups  # 全部数据，
df.groupby('team').groups.keys()  # 分组名
df.groupby('team').groups.values()  # 分组对象内容[行号]
df.groupby('team').get_group('A')  # 选择某个分组数据
# indices返回一个字典
df.groupby('team').indices
# 迭代分组
for k,rf in df.groupby('team'):
    print(tf)

apply/pipe/transform

# apply,返回函数处理后的DataFrame
df.set_index('name').groupby('team').apply(lambda x:x['Q1'].sort_values(ascending=False).head(3))  # 选出按照team分组后，各组Q1成绩排行前三的呢
# 管道方法pipe，
df.groupby('team').pipe(lambda x: x.max() + x.min())
# 同理，apply实现：
df.groupby('team').apply(lambda x: x.max() + x.min())
# transform,与agg类似，但返回与原数据相同形状的DataFrame
df.groupby('team').transform('sum')
df.groupby('team').ngroup()  # 分组序号
df.groupby('team').nth(1)
df.bfill()  # 使用后一个值填充当前缺失值
df.shift(2)  #数据移位
# 时间序列
df2 = pd.DataFrame(data={'a':[0,1]*50, 'b':1},index=pd.date_range('1/1/2020', periods=100, freq='t'))
# 时序重采样
df2.resample('3T').groups

数据分箱(data binning)，或离散组合或数据分桶

是一种数据预处理技术，将原数据分成几个小区间，是一种量化操作。
落入给定区间的原数据值被代表该区间的值替换。
作用：平滑输入数据，在小数据集的情况下还可以减少过拟合。
pandas使用两个函数：pd.cut(指定分界点分箱数据)/pd.qcut(指定分箱数量等分数据)

#  定界分箱pd.cut
# 为便于比较分箱结果和原数据，使用assign链式编程, 默认左开右闭合
df.assign(bin_r=pd.cut(df.Q1, bins=[0,60,100]))  # 指定分界点
# 分箱结果和分组groupby集合，和正常的分组操作类似，将分箱结果看为临时的列数据
df.groupby(pd.cut(df.Q1, bins=[0,60,100])).count()  # 分箱结果分组数量统计（DataFrame)
df.Q1.groupby(pd.cut(df.Q1, bins=[0,60,100])).count()  # 分箱结果分组数量统计(Series)
# 自定义分箱标签ins=[0,60,100], labels=False))  # 数字作为标签
df.assign(bin_r=pd.cut(df.Q1, bins=[0,60,100], labels=['及格','不及格']))  # 自定义
df.assign(bin_r=pd.cut(df.Q1, bins=[0,60,100], right=False))  # 左闭右开

# 等宽分箱
df.assign(bin_r=pd.qcut(df.Q1, 4, precision=3))  # 等分成四个分箱

分组可视化,pandas提供的简单的与分组相关的可视化方法

# 基本的plot方法，默认折线图
df.set_index('name').groupby('team').plot()

结果：

team
A    AxesSubplot(0.125,0.125;0.775x0.755)
B    AxesSubplot(0.125,0.125;0.775x0.755)
C    AxesSubplot(0.125,0.125;0.775x0.755)
D    AxesSubplot(0.125,0.125;0.775x0.755)
E    AxesSubplot(0.125,0.125;0.775x0.755)
dtype: object

图形结果：

df.set_index('name').groupby('team').hist()  #直方图
df.set_index('name').groupby('team').boxplot()  # 箱线图