利用python的pandas库进行数据分组分析十分便捷,其中应用最多的方法包括:groupby、pivot_table及crosstab,以下分别进行介绍。
0、样例数据
-
df = DataFrame({ 'key1':[ 'a', 'a', 'b', 'b', 'a'], 'key2':[ 'one', 'two', 'one', 'two', 'one'], 'data1':np.random.randn( 5), 'data2':np.random.randn( 5)})
-
df
-
#[Out]# data1 data2 key1 key2
-
#[Out]# 0 0.439801 1.582861 a one
-
#[Out]# 1 -1.388267 -0.603653 a two
-
#[Out]# 2 -0.514400 -0.826736 b one
-
#[Out]# 3 -1.487224 -0.192404 b two
-
#[Out]# 4 2.169966 0.074715 a one
1、分组groupby
Pandas中最为常用和有效的分组函数。
1)按列分组
注意以下使用groupby()函数生成的group1是一个中间分组变量,为GroupBy类型。
-
group1 = df.groupby( 'key1')
-
group1
-
#[Out]# <pandas.core.groupby.DataFrameGroupBy object at 0x0000000009CA5780>
既可依据单个列名’key1’进行为分组,也可依据多个列名['key1','key2']进行分组。
-
group2 = df.groupby([ 'key1', 'key2'])
-
group2
-
#[Out]# <pandas.core.groupby.DataFrameGroupBy object at 0x0000000009CB4128>
使用推导式[x for x in group1]可显示分组内容。
-
[x for x in group1]
-
#[Out]# [('a', data1 data2 key1 key2
-
#[Out]# 0 0.439801 1.582861 a one
-
#[Out]# 1 -1.388267 -0.603653 a two
-
#[Out]# 4 2.169966 0.074715 a one),
-
#[Out]# ('b', data1 data2 key1 key2
-
#[Out]# 2 -0.514400 -0.826736 b one
-
#[Out]# 3 -1.487224 -0.192404 b two)]
2)按分组统计
在分组group1、group2上应用size()、sum()、count()等统计函数,能分别统计分组数量、不同列的分组和、不同列的分组数量。
-
group1.size()
-
#[Out]# key1
-
#[Out]# a 3
-
#[Out]# b 2
-
#[Out]# dtype: int64
-
group1.sum()
-
#[Out]# data1 data2
-
#[Out]# key1
-
#[Out]# a 1.221499 1.053922
-
#[Out]# b -2.001624 -1.019140
-
group2.size()
-
#[Out]# key1 key2
-
#[Out]# a one 2
-
#[Out]# two 1
-
#[Out]# b one 1
-
#[Out]# two 1
-
#[Out]# dtype: int64
-
group2.count()
-
#[Out]# data1 data2
-
#[Out]# key1 key2
-
#[Out]# a one 2 2
-
#[Out]# two 1 1
-
#[Out]# b one 1 1
-
#[Out]# two 1 1
3)应用agg()
对于分组的某一列或者多个列,应用agg(func)可以对分组后的数据应用func函数。例如:用group1['data1'].agg('mean')对分组后的’data1’列求均值。当然也可以推广到同时作用于多个列和使用多个函数上。
-
group1[ 'data1'].agg( 'mean')
-
#[Out]# key1
-
#[Out]# a 0.407166
-
#[Out]# b -1.000812
-
#[Out]# Name: data1, dtype: float64
-
group1[ 'data1'].agg([ 'mean', 'sum'])
-
#[Out]# mean sum
-
#[Out]# key1
-
#[Out]# a 0.407166 1.221499
-
#[Out]# b -1.000812 -2.001624
-
group1[ 'data1', 'data2'].agg([ 'mean', 'sum'])
-
#[Out]# data1 data2
-
#[Out]# mean sum mean sum
-
#[Out]# key1
-
#[Out]# a 0.407166 1.221499 0.351307 1.053922
-
#[Out]# b -1.000812 -2.001624 -0.509570 -1.019140
4)应用apply()
apply()不同于agg()的地方在于:前者应用于dataframe的各个列,后者仅作用于指定的列。
-
df.groupby( 'key1').apply(mean)
-
#[Out]# data1 data2
-
#[Out]# key1
-
#[Out]# a 0.407166 0.351307
-
#[Out]# b -1.000812 -0.509570
-
df.groupby([ 'key1', 'key2']).apply(mean)
-
#[Out]# data1 data2
-
#[Out]# key1 key2
-
#[Out]# a one 1.304883 0.828788
-
#[Out]# two -1.388267 -0.603653
-
#[Out]# b one -0.514400 -0.826736
-
#[Out]# two -1.487224 -0.192404
2、透视表pivot_table
可以产生类似于excel数据透视表的结果,相当的直观。
1)分组统计
其中参数index指定“行”键,columns指定“列”键。
-
df
-
#[Out]# data1 data2 key1 key2
-
#[Out]# 0 0.439801 1.582861 a one
-
#[Out]# 1 -1.388267 -0.603653 a two
-
#[Out]# 2 -0.514400 -0.826736 b one
-
#[Out]# 3 -1.487224 -0.192404 b two
-
#[Out]# 4 2.169966 0.074715 a one
-
pd.pivot_table(df, index= 'key1', columns= 'key2')
-
#[Out]# data1 data2
-
#[Out]# key2 one two one two
-
#[Out]# key1
-
#[Out]# a 1.304883 -1.388267 0.828788 -0.603653
-
#[Out]# b -0.514400 -1.487224 -0.826736 -0.192404
-
df.pivot_table([ 'data1'], index= 'key1',columns= 'key2')
-
#[Out]# data1
-
#[Out]# key2 one two
-
#[Out]# key1
-
#[Out]# a 1.304883 -1.388267
-
#[Out]# b -0.514400 -1.487224
2)分项汇总
如果将参数margins设置为True,则可以得到分项总计数据。
-
df.pivot_table(index= 'key1',columns= 'key2', margins= True)
-
#[Out]# data1 data2
-
#[Out]# key2 one two All one two All
-
#[Out]# key1
-
#[Out]# a 1.304883 -1.388267 0.407166 0.828788 -0.603653 0.351307
-
#[Out]# b -0.514400 -1.487224 -1.000812 -0.826736 -0.192404 -0.509570
-
#[Out]# All 0.698455 -1.437746 -0.156025 0.276947 -0.398029 0.006956
3、交叉表crosstab
可以按照指定的行和列统计分组频数,用起来非常方便;当然同样的功能也可采用groupby实现。
-
pd.crosstab(df.key1,df.key2, margins= True)
-
#[Out]# key2 one two All
-
#[Out]# key1
-
#[Out]# a 2 1 3
-
#[Out]# b 1 1 2
-
#[Out]# All 3 2 5
很幸运能够有这么多好用的方法,大大简化了数据分组分析的过程。