首先先创建一个表格:
import pandas as pd
df = pd.DataFrame({'key1':list('aabba'),
'key2': ['one','two','one','two','one'],
'data1': np.random.randn(5),
'data2': np.random.randn(5)})
df
得到的df表格如下所示:
key1 | key2 | data1 | data2 | |
---|---|---|---|---|
0 | a | one | -0.146141 | 0.074790 |
1 | a | two | -0.474247 | 0.758113 |
2 | b | one | -1.379679 | 1.863705 |
3 | b | two | -0.290600 | -0.228977 |
4 | a | one | 0.832128 | 0.857522 |
现在先简单使用表格中的特征’key1’对数据进行划分:
grouped=df.groupby(['key1'])
for name ,group in grouped:
print(name)
print(group)
得到的划分结果如下所示:
通过上面这个图可以发现grouped=df.groupby([‘key1’])的作用是根据“key1”的不同值将表格df分为两个部分,第一个部分是“key1=a”,第二个部分是“key1=b”。用其它特征进行划分原理一样。
现在我们不仅是用“key1”对表格进行划分,同时还要对划分之后的表格求其中特征的均值,例如用以下代码求划分后的特征的均值:
grouped = df.groupby(['key1']).mean()
grouped
其输出结果如下:
通过上图可以发现,通过“key1”对表格df划分为两部分之后,再对两部分中的“data1”和“data2”进行求平均值操作。这里不对“key2”进行求平均值操作,因为特征“key2”是文本类信息,没有平均值,所以不进行求平均值操作。
上面讨论了使用一个特征对表格df进行分组,现在使用多个特征对表格df进行划分,简单地分析,使用特征“key1”和“key2”对表格进行划分,那会输出什么呢?输入以下代码:
for name, group in df.groupby(['key1','key2']):
print("划分的特征值:",name)
print(group,'\n')
得到的输出结果如下:
通过上面这个图可以发现,因为现在要使用两个特征对表格进行划分,特征“key1”和特征“key2”同样有两个类别,因此组合得到的划分情况有四种,根据不同的划分组合得到符合要求的划分表格,这样就得到了上图中的情况。当使用三个或者四个特征对表格进行划分的时候,组合的个数更多,同时会划分得更加细致。具体原理是一样的。
在上面介绍多特征对表格进行划分的时候,我们是基于整个表格进行划分的,如果我们只想针对其中的部分特征进行划分,具体又该怎么操作呢?我们现有有下面这个表格,如果我们只想对其中的“data1”和“data2”基于“key1”进行划分,该怎么操作呢?
输入以下代码:
for name, group in df[['data1','data2','key1']].groupby(['key1']):
print("划分的特征值:",name)
print(group,'\n')
得到的输出结果如下图所示:
其实这个和最开始介绍的对整个表格进行划分的原理是一样的,但是需要注意的是,代码不能写成下面的形式:
for name, group in df[['data1','data2']].groupby(['key1']):
print("划分的特征值:",name)
print(group,'\n')
这样的代码是错误的,这段代码和前一段代码的差别主要在于df[[‘data1’,‘data2’]]中没有了’key1’,这样是不行的,因为这样的意思是我们选取了表格中的’data1’列和’data2’列,但是没有选取’key1’列,这样数据中没有’key1’,是没有办法进行划分的。
上面说了很多对于groupby的功能介绍,但是这个东西究竟能用在什么地方呢?这里简单举一个例子。
现在有一个场景,有两家商店1和2,每家商店有a,b,c三种商品,每家商店的每种商品都有各自的日销售额,现在要快速得到每家商店每种商品的月销售额,那么我们就可以使用groupby来进行操作。
具体的数据如下:
import pandas as pd
df = pd.DataFrame({'shop_id':list('111111222222'),
'item_id': list('abcabcabcabc'),
'item_daysales': list([1,2,3,4,5,6,1,2,3,4,5,6])})
df
我们得到的表格具体如下所示:
shop_id | item_id | item_daysale | |
---|---|---|---|
0 | 1 | a | 1 |
1 | 1 | b | 2 |
2 | 1 | c | 3 |
3 | 1 | a | 4 |
4 | 1 | b | 5 |
5 | 1 | c | 6 |
6 | 2 | a | 1 |
7 | 2 | b | 2 |
8 | 2 | c | 3 |
9 | 2 | a | 4 |
10 | 2 | b | 5 |
11 | 2 | c | 6 |
现在我们需要计算每家商店每种商品的月销售额,使用groupby进行操作,具体代码如下:
grouped = df.groupby(['shop_id','item_id']).sum().reset_index()
grouped.rename(columns={'item_daysale' : 'item_monthsale'})
代码中的第一步是使用“shop_id”和“item_id”对表格进行分类,这样因为商店有两种,商品有三种,对于每一家商店都有三种情况,划分后记进行求和操作就可以得到每家商店的月销售额,代码中的resent_index()的作用是保留作为划分的“shop_id”和“item_id”,如果去掉则输出的是另一种表格形式。第二段代码是对其中的“item_daysale”特征进行改名。
这样得到的最后的输出如下如所示:
shop_id | item_id | item_monthsale | |
---|---|---|---|
0 | 1 | a | 5 |
1 | 1 | b | 7 |
2 | 1 | c | 9 |
3 | 2 | a | 5 |
4 | 2 | b | 7 |
5 | 2 | c | 9 |
这样便完成了对销售额的月总和计算。
如果我们代码中没有输入resent_index(),则输出如下所示:
shop_id | item_id | item_monthsale |
1 | a | 5 |
b | 7 | |
c | 9 | |
2 | a | 5 |
b | 7 | |
c | 9 |
这并不是我们想要的输出,我们希望输出的列项有“shop_id”,“item_id”和“item_monthsale”。所以得根据具体需要什么来写代码实现。
——————————
参考博客:https://blog.csdn.net/youngbit007/article/details/54288603