python中分组函数groupby和分组运算函数agg的使用

今天来介绍pandas中一个很有用的函数groupby，其实和hive中的groupby的效果是一样的，区别在于两种语言的写法问题。groupby在Python中的分组统计中很有用~

groupby:

首先创建数据：

import pandas as pd
import numpy as np
df = pd.DataFrame({'A': ['a', 'b', 'a', 'c', 'a', 'c', 'b', 'c'],
                      'B': [2, 7, 1, 3, 3, 2, 4, 8],
                      'C': [100, 87, 96, 130, 105, 87, 96, 155]})
df
Out[2]:
  A  B    C
0  a  2  100
1  b  7   87
2  a  1   96
3  c  3  130
4  a  3  105
5  c  2   87
6  b  4   96

pandas中groupby的基本操作：

1、按A列进行分组，求B、C两列的均值：

df.groupby('A').mean()
Out[6]:
         B           C
A                      
a  2.000000  100.333333
b  5.500000   91.500000
c  4.333333  124.000000

当然也可以按照多列进行分组，获取其他列的均值：

df.groupby(['A','B']).mean()
Out[7]:
      C
A B    
a 1   96
 2  100
 3  105
b 4   96
 7   87
c 2   87
 3  130
 8  155

2、分组后，选择列进行计算：

data=df.groupby('A')
data['B'].std()
Out[11]:
A
a    1.00000
b    2.12132
c    3.21455
Name: B, dtype: float64

#选择B、C两列
data['B','C'].mean()
Out[12]:
         B           C
A                      
a  2.000000  100.333333
b  5.500000   91.500000
c  4.333333  124.000000

3、按A进行分组后，可以对不同的列采用不同的聚合方法（ps:这一点就和hive很相像了）

data.agg({'B':'mean','C':'sum'})    #B列均值，C列汇总
Out[14]:
    C         B
A              
a  301  2.000000
b  183  5.500000
c  372  4.333333

4、如果按照A进行分组后，对多列采用相同的聚合方法，我们可以借助apply函数：

df.groupby('A').apply(np.mean)
Out[25]:
         B           C
A                      
a  2.000000  100.333333
b  5.500000   91.500000
c  4.333333  124.000000

5、将某列数据按数据值分成不同范围段进行分组运算

创建数据集：

np.random.seed(0)
df = pd.DataFrame({'Age': np.random.randint(20, 70, 100),
                       'Sex': np.random.choice(['Male', 'Female'], 100),
                       'number_of_foo': np.random.randint(1, 20, 100)})
Out[38]:
  Age     Sex  number_of_foo
0   64  Female             14
1   67  Female             14
2   20  Female             12
3   23    Male             17
4   23  Female             15

目标：将age字段分成三组，有如下两种方法实现：

#第一种方法：
1、bins=4
pd.cut(df['Age'], bins=4)
0       (56.75, 69.0]
1       (56.75, 69.0]
2     (19.951, 32.25]
3     (19.951, 32.25]
4     (19.951, 32.25]...

#第二种方法
2、bins=[19, 40, 65, np.inf]
pd.cut(df['Age'], bins=[19,40,65,np.inf])
Out[40]:
0     (40.0, 65.0]
1      (65.0, inf]
2     (19.0, 40.0]
3     (19.0, 40.0]
4     (19.0, 40.0]

#分组范围结果如下：
age_groups = pd.cut(df['Age'], bins=[19,40,65,np.inf])
df.groupby(age_groups).mean()
Out[43]:
                   Age  number_of_foo
Age                                  
(19.0, 40.0]  29.840000       9.880000
(40.0, 65.0]  52.833333       9.452381
(65.0, inf]   67.375000       9.250000

#按‘Age'分组范围和性别（sex）进行制作交叉表

pd.crosstab(age_groups, df['Sex'])
Out[44]:
Sex           Female  Male
Age                      
(19.0, 40.0]      22    28
(40.0, 65.0]      18    24
(65.0, inf]        3     5

agg：

1、使用groupby按照某列（A）进行分组后，需要对另外一列采用不同的聚合方法：

df.groupby('A')['B'].agg({'mean':np.mean, 'std': np.std})

Out[16]:
      std      mean
A                  
a  1.00000  2.000000
b  2.12132  5.500000
c  3.21455  4.333333

2、按照某列进行分组后，对不同的列采用不同的聚合方法：

df.groupby('A').agg({'B':[np.mean,'sum'],'C':['count',np.std]})  #[]中对应的是两种方法

Out[17]:
     C                    B    
 count        std      mean sum
A                              
a     3   4.509250  2.000000   6
b     2   6.363961  5.500000  11
c     3  34.394767  4.333333  13

transform：

前面两种方法得到的结果是以A列值为索引的结果，如果使用没有进行groupby分组的index的话，该怎么操作呢？此时就要用到transform函数了。transform(func, args, *kwargs) 方法简化了这个过程，： func 参数应用到所有分组，然后把结果放置到原数组的 index 上：

df
Out[31]:
  A  B    C
0  a  2  100
1  b  7   87
2  a  1   96
3  c  3  130
4  a  3  105
5  c  2   87
6  b  4   96
7  c  8  155

df.groupby('A')['B','C'].transform('count')  #注：count函数在计算时，不计算nan值
Out[32]:
  B  C
0  3  3
1  2  2
2  3  3
3  3  3
4  3  3
5  3  3
6  2  2
7  3  3

从中可以看出：按A列进行分组，对B、C两列进行计数时，B为a的索引有[0,2,4]，所以结果列的中[0,2,4]索引的值都为3，相当于广播了。对于C列，同理。

来源：https://blog.csdn.net/weixin_37536446/article/details/82109431