Pandas groupby分组操作详解
在数据分析中，经常会遇到这样的情况：根据某一列（或多列）标签把数据划分为不同的组别，然后再对其进行数据分析。比如，某网站对注册用户的性别或者年龄等进行分组，从而研究出网站用户的画像（特点）。在Pandas中，要完成数据的分组操作，需要使用groupby()函数，它和SQL的GROUPBY操作非常相似。
在划分出来的组（group）上应用一些统计函数，从而达到数据分析的目的，比如对分组数据进行聚合、转换，或者过滤。这个过程主要包含以下三步：
拆分（Spliting）：表示对数据进行分组；
应用（Applying）：对分组数据应用聚合函数，进行相应计算；
合并（Combining）：最后汇总计算结果。
下面对groupby()函数的应用过程进行具体的讲解。
创建DataFrame对象
首先我们创建一个DataFrame对象，下面数据描述了某班学生，计算机选修课的考试成绩：
import pandas as pd
import numpy as np
data = {'Name': ['John', 'Helen', 'Sona', 'Ella'],
'score': [82, 98, 91, 87],
'option_course': ['C#','Python','Java','C']}
df = pd.DataFrame(data)
print(df) 1234567复制代码类型：[python]
输出结果：
Name score option_course0 John 82 C#1 Helen 98 Python2 Sona 91 Java3 Ella 87 C12345复制代码类型：[python]
创建groupby分组对象
使用groupby()可以沿着任意轴分组。您可以把分组时指定的键（key）作为每组的组名，方法如下所示：
df.groupby("key")
df.groupby("key",axis=1)
df.groupby(["key1","key2"])
通过上述方法对DataFrame对象进行分组操作：
import pandas as pdimport numpy as np
data = {'Name': ['John', 'Helen', 'Sona', 'Ella'], 'score': [82, 98, 91, 87], 'option_course': ['C#','Python','Java','C']}
df = pd.DataFrame(data)
print(df)#生成分组groupby对象print(df.groupby('score'))123456789复制代码类型：[python]
输出结果：
<pandas.core.groupby.generic.DataFrameGroupBy object at 0x0000021DE9A89640>1复制代码类型：[python]
查看分组结果
1)groups查看分组结果
通过调用groups属性查看分组结果：
import pandas as pdimport numpy as np
data = {'Name': ['John', 'Helen', 'Sona', 'Ella'], 'score': [82, 98, 91, 87], 'option_course': ['C#','Python','Java','C']}
df = pd.DataFrame(data)#查看分组print(df.groupby('score').groups)12345678复制代码类型：[python]
输出结果：
{82: Int64Index([0], dtype='int64'),
87: Int64Index([3], dtype='int64'),
91: Int64Index([2], dtype='int64'),
98: Int64Index([1], dtype='int64')}1234复制代码类型：[python]
2)多个列标签分组
当然也可以指定多个列标签进行分组，示例如下：
import pandas as pdimport numpy as np
data = {'Name': ['John', 'Helen', 'Sona', 'Ella'], 'score': [82, 98, 91, 87], 'option_course': ['C#','Python','Java','C']}
df = pd.DataFrame(data)#查看分组print(df.groupby(['Name','score']).groups)12345678复制代码类型：[python]
输出结果：
{('Ella', 87): Int64Index([3], dtype='int64'),
('Helen', 98): Int64Index([1], dtype='int64'),
('John', 82): Int64Index([0], dtype='int64'),
('Sona', 91): Int64Index([2], dtype='int64')}1234复制代码类型：[python]
通过get_group()方法可以选择组内的具体数据项：
import pandas as pdimport numpy as np
data = {'Name': ['John', 'Helen', 'Sona', 'Ella'], 'score': [82, 98, 91, 87], 'option_course': ['C#','Python','Java','C']}
df = pd.DataFrame(data)#根据score来分组grouped=df.groupby('score')#根据对应组的数据值，选择一个组print(grouped.get_group(91))12345678910复制代码类型：[python]
输出结果：
Name score option_course2 Sona 91 Java12复制代码类型：[python]
遍历分组数据
通过以下方法来遍历分组数据，示例如下：
import pandas as pdimport numpy as np
data = {'Name': ['John', 'Helen', 'Sona', 'Ella'], 'score': [82, 98, 91, 87], 'option_course': ['C#','Python','Java','C']}
df = pd.DataFrame(data)#查看分组grouped=df.groupby('score')for label, option_course in grouped:#其中key代表分组后字典的键，也就是score
print(label)#字典对应的值选修的科目
print(option_course)12345678910111213复制代码类型：[python]
输出结果：
82 Name score option_course0 John 82 C#87 Name score option_course3 Ella 87 C91 Name score option_course2 Sona 91 Java98 Name score option_course1 Helen 98 Python123456789101112复制代码类型：[python]
如上所示，groupby对象的组名称与score中的的元素值一一对应。
应用聚合函数
当您在创建groupby对象时，通过agg()函数可以对分组对象应用多个聚合函数：
import pandas as pd
import numpy as np
data = {'name': ['John', 'Helen', 'Sona', 'Ella'],
'score': [82, 98, 91, 87],
'option_course': ['C#','Python','Java','C']}
df = pd.DataFrame(data)
grouped=df.groupby('name')#应用一个聚合函数求均值print(grouped['score']).agg(np.mean)123456789复制代码类型：[python]
输出结果：
name Ella 87Helen 98John 82Sona 91Name: score, dtype: int64123456复制代码类型：[python]
当然，您也可以一次性应有多个聚合函数，示例如下：
import pandas as pdimport numpy as np
data = {'name': ['John', 'Helen', 'Sona', 'Ella'], 'score': [82, 98, 91, 87], 'option_course': ['C#','Python','Java','C']}
df = pd.DataFrame(data)
grouped=df.groupby('name')
print(grouped['score'].agg([np.size,np.mean,np.std]))12345678复制代码类型：[python]
输出结果：
size mean std name Ella 1 87 NaN Helen 1 98 NaN John 1 82 NaN Sona 1 91 NaN123456复制代码类型：[python]
组的转换操作
在组的行或列上可以执行转换操作，最终会返回一个与组大小相同的索引对象。示例如下：
import pandas as pdimport numpy as np
df = pd.DataFrame({'种类':['水果','水果','水果','蔬菜','蔬菜','肉类','肉类'], '产地':['朝鲜','中国','缅甸','中国','菲律宾','韩国','中国'], '水果':['橘子','苹果','哈密瓜','番茄','椰子','鱼肉','牛肉'], '数量':[3,5,5,3,2,15,9], '价格':[2,5,12,3,4,18,20]})#分组求均值，水果、蔬菜、肉类#对可执行计算的数值列求均值print(df.groupby('种类').transform(np.mean))#transform()直接应用demean，实现去均值操作demean = lambda arr:arr-arr.mean()
print(df.groupby('种类').transform(demean))#自定义函数# 返回分组的前n行数据def get_rows(df,n):
#从1到n行的所有列
return df.iloc[:n,:]#分组后的组名作为行索引print(df.groupby('种类').apply(get_rows,n=1))1234567891011121314151617181920复制代码类型：[python]
输出结果：
数量 价格0 4.333333 6.3333331 4.333333 6.3333332 4.333333 6.3333333 2.500000 3.5000004 2.500000 3.5000005 12.000000 19.0000006 12.000000 19.000000 数量 价格0 -1.333333 -4.3333331 0.666667 -1.3333332 0.666667 5.6666673 0.500000 -0.5000004 -0.500000 0.5000005 3.000000 -1.0000006 -3.000000 1.000000 种类 产地 水果 数量 价格 种类 水果 0 水果 朝鲜 橘子 3 2肉类 5 肉类 韩国 鱼肉 15 18蔬菜 3 蔬菜 中国 番茄 3 31234567891011121314151617181920212223复制代码类型：[python]
组的数据过滤操作
通过filter()函数可以实现数据的筛选，该函数根据定义的条件过滤数据并返回一个新的数据集。
下面，筛选出参加比赛超过两次的球队（包含两次）：
import pandas as pdimport numpy as np
data = {'Team': ['Riders', 'Riders', 'Devils', 'Devils', 'Kings', 'kings', 'Kings', 'Kings', 'Riders', 'Royals', 'Royals', 'Riders'], 'Rank': [1, 2, 2, 3, 3,4 ,1 ,1,2 , 4,1,2], 'Year': [2014,2015,2014,2015,2014,2015,2016,2017,2016,2014,2015,2017], 'Points':[874,789,863,663,741,802,756,788,694,701,812,698]}
df = pd.DataFrame(data)#定义lambda函数来筛选数据print (df.groupby('Team').filter(lambda x: len(x) >= 2))12345678910复制代码类型：[python]
输出结果：
Team Rank Year Points0 Riders 1 2014 8741 Riders 2 2015 7894 Kings 3 2014 7416 Kings 1 2016 7567 Kings 1 2017 7888 Riders 2 2016 69411 Riders 2 2017 698
赞 (0)