python pandas分组聚合详细

python pandas分组聚合

1、环境

• python3.9

• win10 64bit

• pandas==1.2.1
  

groupby方法是pandas中的分组方法，对数据框采用groupby方法后，返回的是DataFrameGroupBy对象，一般分组操作后会进行聚合操作。

2、分组

import pandas as pd
import numpy as np
pd.set_option('display.notebook_repr_html',False)
# 数据准备
df = pd.DataFrame({'A': [1, 1, 2, 2],'B': [1, 2, 3, 4],'C':[6,8,1,9]})
df

     A  B  C
0  1  1  6
1  1  2  8
2  2  3  1
3  2  4  9

对数据框按A列进行分组，产生分组数据框。分组数据框是可迭代对象，可以进行循环遍历，可以看出在循环中，每个元素的类型是元组，

元组的第一个元素是分组值，第二个元素是对应的分组数据框。

# 分组
g_df=df.groupby('A')
# 分组数据框类
type(g_df)

pandas.core.groupby.generic.DataFrameGroupBy

# 循环分组数据
for i in g_df:
   print(i,type(i),end='\n\n')

(1,    A  B  C
0  1  1  6
1  1  2  8) <class 'tuple'>

(2,    A  B  C
2  2  3  1
3  2  4  9) <class 'tuple'>

可以对分组后的数据框直接使用聚合方法agg，对分组数据框的每一列计算统计函数值。

# 分组求和
df.groupby('A').agg('sum')
  B   C
A      
1  3  14
2  7  10

3、序列分组

可以根据数据框外的序列数据对数据框进行分组，需要注意序列长度需要与数据框行数相同。

# 定义分组列表
label=['a','a','b','b']
# 分组求和
df.groupby(label).agg('sum')
  A  B   C
a  2  3  14
b  4  7  10

4、多列分组

可以根据数据框的多列对数据框进行分组。

# 数据准备
df = pd.DataFrame({'A': [1, 1, 2, 2],'B': [3, 4, 3, 3],'C':[6,8,1,9]})
df

  A  B  C
0  1  3  6
1  1  4  8
2  2  3  1
3  2  3  9

根据A,B列进行分组，然后求和。

# 根据多列分组求和
df.groupby(['A','B']).agg('sum')

     C
A B    
1 3   6
 4   8
2 3  10

5、索引分组

可以根据索引对数据框进行分组，需要设置level参数。

# 数据准备
df = pd.DataFrame({'A': [1, 1, 2, 2],'B': [3, 4, 3, 3],'C':[6,8,1,9]},index=['a','a','b','b'])
df

  A  B  C
a  1  3  6
a  1  4  8
b  2  3  1
b  2  3  9

数据框只有一层索引，设置参数level=0。

# 根据索引分组求和
df.groupby(level=0).agg('sum')
  A  B   C
a  2  7  14
b  4  6  10

当数据框索引有多层时，也可以根据需求设置level参数，完成分组聚合。

# 数据准备
mi=pd.MultiIndex.from_arrays([[1,1,2,2],[3,4,3,3]],names=['id1','id2'])
df=pd.DataFrame(dict(value=[4,7,2,9]),index=mi)
df

        value
id1 id2      
1   3        4
   4        7
2   3        2
   3        9

设置level参数，如需要根据第一层索引，即id1进行分组，可以设置level=0或level='id1'完成分组聚合。

# 根据第一层索引分组求和
df.groupby(level=0).agg('sum')

    value
id1      
1       11
2       11

# 根据第一层索引分组求和
df.groupby(level='id1').agg('sum')

   value
id1      
1       11
2       11

7、聚合

分组后一般会进行聚合操作，用agg方法进行聚合。

# 数据准备
df = pd.DataFrame({'A': [1, 1, 2, 2],'B': [3, 4, 3, 3],'C':[6,8,1,9],'D':[2,5,4,8]})
df

  A  B  C  D
0  1  3  6  2
1  1  4  8  5
2  2  3  1  4
3  2  3  9  8

8、单函数对多列

对分组后数据框使用单个函数进行聚合，单个聚合函数会对每列进行计算，然后合并返回。聚合函数以字符串的形式传入。

# 对所有列分组求和
df.groupby('A').agg('sum')

  B   C   D
A          
1  7  14   7
2  6  10  12

可以对分组后的数据指定列进行分组聚合。需要注意子列需要用[]包裹。

# 对指定列分组求和
df.groupby('A')[['B','C']].agg('sum')

  B   C
A      
1  7  14
2  6  10

聚合函数也可以传入自定义的匿名函数。

# 匿名函数分组求和
df.groupby('A').agg(lambda x:sum(x))

 B   C   D
A          
1  7  14   7
2  6  10  12

9、多函数对多列

聚合函数可以是多个函数。聚合时，多个聚合函数会对每列进行计算，然后合并返回。聚合函数以列表的形式传入。

# 全部列多函数聚合
df.groupby('A').agg(['sum','mean'])

   B        C        D    
 sum mean sum mean sum mean
A                          
1   7  3.5  14    7   7  3.5
2   6  3.0  10    5  12  6.0

聚合返回后的数据列名有两层索引，第一层是聚合的列名，第二层是使用的聚合函数名。如果需要对返回的聚合函数名重命名，
需要在传参时，传入元组，第一个元素为聚合函数名，第二个元素为聚合函数。

# 聚合函数重命名
df.groupby('A').agg([('SUM','sum'),('MEAN','mean')])

   B        C        D    
 SUM MEAN SUM MEAN SUM MEAN
A                          
1   7  3.5  14    7   7  3.5
2   6  3.0  10    5  12  6.0

同样，也可以传入匿名函数。

# 匿名函数并重命名
df.groupby('A').agg([('SUM','sum'),('MAX',lambda x:max(x))])

   B       C       D    
 SUM MAX SUM MAX SUM MAX
A                        
1   7   4  14   8   7   5
2   6   3  10   9  12   8

如果需要对不同的列进行不同的聚合计算，则需要传入字典的形式。

# 不同列不同聚合函数
df.groupby('A').agg({'B':['sum','mean'],'C':'mean'})

   B         C
 sum mean mean
A              
1   7  3.5    7
2   6  3.0    5

可以重命名聚合后的列名，注意只能对一列传入一个聚合函数时有效。

# 聚合后重命名列名
df.groupby('A').agg(B_sum=('B','sum'),C_mean=('C','mean'))

  B_sum  C_mean
A              
1      7       7
2      6       5

来源：https://www.jianshu.com/p/bd8d6ba29d0e