当前位置: 首页 > 开发语言 > Python > Pandas的数据分组以及分组聚合函数操作

Pandas的数据分组以及分组聚合函数操作

时间:2021-02-01 21:46来源:未知 点击:
分享到:

1、数据分组

    分组基本操作案例:在水果列表里增加一列放入每种水果的平均值:

#进行数据分组,不显示分组情况
df.groupby(by=['item'],axis =0).group #---axis =0表示列

#例如:求每组水果的价格和平均值(mean())
df.groupby(by=['item'],axis =0).mean()# 每种水果的平均价格
s =df.groupby(by=['item'],axis =0)['price'].mean()

 

    有NaN 映射关系不对!采用如下方式:

    s.to_dict()  # 将df数组转为字典:{'a':'123','b':'345','c':'567'}

    创建一列,放入映射的值:df[‘mean’] = df['item'].map(s.to_dict()) 

    

2、统计函数

分组分析是指根据分组字段,将分析对象划分成不同的部分,以对比分析各组之间差异性的分析方法。分组分析常用的统计指标是计数、求和、平均值。
分组统计函数的语法格式如下:

groupby(by=[分组列1,分组列2,…])
        [统计列1,统计列2,…]
          .agg({统计列别名1:统计函数1,统计列别名2:统计函数2,…})

函数中的参数说明如下:

  • by:用于分组的列;
  • 中括号[ ]:用于统计的列;
  • agg:统计别名用于显示统计值的名称,统计函数用于统计数据,常用的统计函数有计数(size)、求和(sum)和均值(mean)。

【例 1 】在 Employee_income.xls 文件中包含有职工号(emp_id)、性别(sex)、年龄(age)、学历(education)、参加工作时间(firstjob)、工作地区(region)、行业(industry)、职业(occupation)、月薪(salary)和月补贴(subsidy)等 10 列数据,要求分别按年龄、学历分组统计人数,并求月薪的均值、最大值和最小值。
其示例代码 test1 如下

复制代码
import numpy as np
from pandas import DataFrame;
import pandas as pd
df = pd.read_excel('d:\data\emp_income\Employee_income.xls', sheet_name='emp_income')
age_result = df.groupby(by=['age'])['salary'].agg({
     '人数':np.size,
     '平均月薪':np.mean,
     '最高月薪':np.max,
     '最低月薪':np.min
})
print(age_result)
edu_result = df.groupby(by=['education'])['salary'].agg({
     '人数':np.size,
     '平均月薪':np.mean,
     '最高月薪':np.max,
     '最低月薪':np.min
})
print(edu_result)
复制代码

运行输出结果如下:

            人数   平均月薪   最高月薪    最低月薪
education
大专          4  3700.000000  4500       3000
本科          5  4700.000000  5000       4500
研究生        2  7099.500000  7699       6500
高中          7  2685.714286  3500       2000

3、高级数据聚合

    使用groupby分组后,也可以使用transform和apply提供自定义函数实现更多运算

  • df.groupby('item')['price'].sum()   <==>  df.groupby('item')['price'].apply(sum)
  • transform和apply都会进行运算,在transform和apply中传入函数即可
  • transform和apply也可以传入一个lambda表达式

apply自定义函数实现案例:

复制代码
def my_mean(s): #---参数必须有一个,s传入的是一个数组
    sum =0 
    for i in s:
      sum += i
    return sum/len(s) 
# apply(my_mean)调用自定义函数:my_mean
df.groupby(by=['item'],axis =0)['price'].apply(my_mean)

# transform 封装了映射,transform返回值是经过映射的,可以直接往源数据里做汇总
df.groupby(by=['item'],axis =0)['price'].transform(my_mean)
复制代码

4、分组聚合处理

在对数据进行分组之后,可以对分组后的数据进行聚合处理统计。

agg函数,agg的形参是一个函数会对分组后每列都应用这个函数。

复制代码
import pandas as pd
import numpy as np
idx = [101,101,101,102,102,102,103,103,103]
idx += [101,102,103]
name = ["apple","pearl","orange", "apple","pearl","orange","apple","pearl","orange"]
name += ["apple"] * 3
price = [1.0,2.0,3.0,4.00,5.0,6.0,7.0,8.0,9.0]
price += [4] * 3
df0 = pd.DataFrame({ "fruit": name, "price" : price, "supplier" :idx})
print "*" * 30
print df0
print "*" * 30
dg1 =  df0.groupby(["fruit", "supplier"])
for n, g in dg1:
    print "multiGroup on:", n, "\n|",g ,"|"
print "*" * 30
print dg1.agg(np.mean)
复制代码

程序的执行结果:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
******************************
     fruit  price  supplier
0    apple      1       101
1    pearl      2       101
2   orange      3       101
3    apple      4       102
4    pearl      5       102
5   orange      6       102
6    apple      7       103
7    pearl      8       103
8   orange      9       103
9    apple      4       101
10   apple      4       102
11   apple      4       103
******************************
multiGroup on: ('apple', 101)
|    fruit  price  supplier
0  apple      1       101
9  apple      4       101 |
...
multiGroup on: ('pearl', 103)
|    fruit  price  supplier
7  pearl      8       103 |
******************************
                 price
fruit  supplier      
apple  101         2.5
       102         4.0
       103         5.5
orange 101         3.0
       102         6.0
       103         9.0
pearl  101         2.0
       102         5.0
       103         8.0

请注意水果apple的输出。

  • agg应用均值、求和、最大等示例。
    复制代码
    import pandas as pd
    import numpy as np
    idx = [101,101,101,102,102,102,103,103,103]
    idx += [101,102,103] * 3
    name = ["apple","pearl","orange", "apple","pearl","orange","apple","pearl","orange"]
    name += ["apple"] * 3 + ["pearl"] * 3 + ["orange"] * 3
    price = [4.1,5.3,6.3,4.20,5.4,6.0,4.5,5.5,6.8]
    price += [4] * 3 + [5] * 3 + [6] * 3
    df0 = pd.DataFrame({ "fruit": name, "price" : price, "supplier" :idx})
    print "*" * 30
    print df0
    print "*" * 30
    dg1 =  df0.groupby(["fruit", "supplier"])
    print dg1.agg(np.mean)
    print "*" * 30
    print dg1.agg([np.mean, np.std, np.min, np.sum])
    复制代码
  • 程序执行结果:
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    ******************************
         fruit  price  supplier
    0    apple    4.1       101
    ...
    17  orange    6.0       103
    ******************************
                     price
    fruit  supplier      
    apple  101        4.05
           102        4.10
           103        4.25
    orange 101        6.15
           102        6.00
           103        6.40
    pearl  101        5.15
           102        5.20
           103        5.25
    ******************************
                    price                    
                     mean       std amin   sum
    fruit  supplier                          
    apple  101       4.05  0.070711    4   8.1
           102       4.10  0.141421    4   8.2
           103       4.25  0.353553    4   8.5
    orange 101       6.15  0.212132    6  12.3
           102       6.00  0.000000    6  12.0
           103       6.40  0.565685    6  12.8
    pearl  101       5.15  0.212132    5  10.3
           102       5.20  0.282843    5  10.4
           103       5.25  0.353553    5  10.5

     

各列用不同的处理函数。需要在agg函数里以字典的形式给出,分组后的那列用那个函数处理。

复制代码
import pandas as pd
import numpy as np
idx = [101,101,101,102,102,102,103,103,103]
idx += [101,102,103] * 3
name = ["apple","pearl","orange", "apple","pearl","orange","apple","pearl","orange"]
name += ["apple"] * 3 + ["pearl"] * 3 + ["orange"] * 3
price = [4.1,5.3,6.3,4.20,5.4,6.0,4.5,5.5,6.8]
price += [4] * 3 + [5] * 3 + [6] * 3
df0 = pd.DataFrame({ "fruit": name, "price" : price, "supplier" :idx})
print "*" * 30
print df0
print "*" * 30
dg1 =  df0.groupby(["fruit"])
print dg1.agg(np.mean)
print "*" * 30
print dg1.agg([np.mean, np.std, np.min, np.sum])
print "*" * 30
print dg1.agg({"price" : np.mean, "supplier" : np.max})
复制代码

程序的执行结果:

复制代码
******************************
     fruit  price  supplier
0    apple    4.1       101
1    pearl    5.3       101
2   orange    6.3       101
3    apple    4.2       102
4    pearl    5.4       102
5   orange    6.0       102
6    apple    4.5       103
7    pearl    5.5       103
8   orange    6.8       103
9    apple    4.0       101
10   apple    4.0       102
11   apple    4.0       103
12   pearl    5.0       101
13   pearl    5.0       102
14   pearl    5.0       103
15  orange    6.0       101
16  orange    6.0       102
17  orange    6.0       103
******************************
           price  supplier
fruit                     
apple   4.133333       102
orange  6.183333       102
pearl   5.200000       102
******************************
           price                      supplier                    
            mean       std amin   sum     mean       std amin  sum
fruit                                                             
apple   4.133333  0.196638    4  24.8      102  0.894427  101  612
orange  6.183333  0.325064    6  37.1      102  0.894427  101  612
pearl   5.200000  0.228035    5  31.2      102  0.894427  101  612
******************************
        supplier     price
fruit                     
apple        103  4.133333
orange       103  6.183333
pearl        103  5.200000
复制代码

 


文章出处:https://www.cnblogs.com/aitree/p/14279015.html

 

(责任编辑:admin)
推荐教程
关于我们--广告服务--免责声明--本站帮助-友情链接--版权声明--联系我们--网站地图          黑ICP备17004983号-1