pd.groupby的2种用法

1、通常用法

假设我们有一个 DataFrame，它包含了不同城市的天气数据：

import pandas as pd

data = {
    'city': ['Beijing', 'Shanghai', 'Guangzhou', 'Beijing', 'Shanghai', 'Guangzhou'],
    'temperature': [15, 20, 25, 10, 18, 22],
    'humidity': [30, 45, 60, 35, 50, 55]
}

df = pd.DataFrame(data)

这个 DataFrame 的内容如下：

	city	temperature	humidity
0	Beijing	15	30
1	Shanghai	20	45
2	Guangzhou	25	60
3	Beijing	10	35
4	Shanghai	18	50
5	Guangzhou	22	55

现在，我们想要计算每个城市的平均温度和湿度。我们可以使用 groupby 函数来实现这个需求：

df_grouped = df.groupby('city').mean()

这段代码首先使用 groupby('city') 将 DataFrame 按照 ‘city’ 列的值进行分组，然后使用 mean() 计算每一组的平均值。结果是一个新的 DataFrame，其索引是 ‘city’ 列的唯一值，每一行是对应城市的平均温度和湿度。

这个新的 DataFrame df_grouped 的内容如下：

city	temperature	humidity
Beijing	12.5	32.5
Guangzhou	23.5	57.5
Shanghai	19.0	47.5

可以看到，通常用法是将dataframe按照一列/多列进行分组后，对剩余的列聚合

如果剩余的列并不能同时做同一种操作呢？有2种方案，一是先选出目标列，在分组计算，如df_grouped = df[[‘…’ , ’…’ , …]].groupby(‘city’).mean()，另一种则是第2种用法

2、其他用法

首先，我们创建一个 DataFrame，然后按 ‘unit’ 列分组并对 ‘qty’ 列进行差分。以下是相应的代码：

import pandas as pd

# 创建 DataFrame
data = {
    'unit': ['A', 'A', 'A', 'B', 'B', 'B'],
    'ts': ['2022-01-01', '2022-01-02', '2022-01-03', '2022-01-01', '2022-01-02', '2022-01-03'],
    'qty': [10, 15, 20, 5, 10, 15]
}
df = pd.DataFrame(data)

# 按 'unit' 列分组并对 'qty' 列进行差分
df['qty_diff'] = df.groupby('unit')['qty'].diff()
# 或者
df['qty_diff'] = df['qty'].groupby(df['unit']).diff()

	unit	ts	qty
0	A	2022-01-01	10
1	A	2022-01-02	15
2	A	2022-01-03	20
3	B	2022-01-01	5
4	B	2022-01-02	10
5	B	2022-01-03	15

在这段代码中，我们首先创建了一个 DataFrame df。

直接分组差分，会因为ts无法做减法而出错，

因此我们使用 groupby('unit') 将 DataFrame 按照 ‘unit’ 列的值进行分组，然后使用 diff() 对每一组的 ‘qty’ 列进行差分。差分的结果被存储在新的列 ‘qty_diff’ 中。

以上2种写法的等价的，可以先分组再选列，也可以先选列再分组，只是注意groupby里的参数会有点不同

会得到以下的输出 DataFrame：

	unit	ts	qty
0	A	2022-01-01	NaN
1	A	2022-01-02	5
2	A	2022-01-03	5
3	B	2022-01-01	NaN
4	B	2022-01-02	5
5	B	2022-01-03	5