數據分析之Pandas分組操做總結

Pandas作分析數據，能夠分爲索引、分組、變形及合併四種操做。以前介紹過索引操做，如今接着對Pandas中的分組操做進行介紹：主要包含SAC含義、groupby函數、聚合、過濾和變換、apply函數。文章的最後，根據今天的知識介紹，給出了6個問題與2個練習，供你們學習實踐。

在詳細講解每一個模塊以前，首先讀入數據：

• 
  
• 
  
• 
  
• 
  

import numpy as npimport pandas as pddf = pd.read_csv('data/table.csv',index_col='ID')df.head()

SAC過程

1. 內涵

SAC指的是分組操做中的split-apply-combine過程。其中split指基於某一些規則，將數據拆成若干組；apply是指對每一組獨立地使用函數；combine指將每一組的結果組合成某一類數據結構。

2. apply過程

在apply過程當中，咱們實際每每會遇到四類問題：

• 整合(Aggregation)：即分組計算統計量（如求均值、求每組元素個數）；

• 變換(Transformation)：即分組對每一個單元的數據進行操做（如元素標準化）；

• 過濾(Filtration)：即按照某些規則篩選出一些組（如選出組內某一指標小於50的組）；

• 綜合問題：即前面說起的三種問題的混合。

groupby函數

通過groupby後會生成一個groupby對象，該對象自己不會返回任何內容，只有當相應的方法被調用纔會起做用。

1. 分組函數的基本內容：

• 根據某一列分組

• 根據某幾列分組
  

• 組容量與組數
  

• 組的遍歷

• level參數(用於多級索引)和axis參數

a). 根據某一列分組

• 
  

grouped_single = df.groupby('School')

通過groupby後會生成一個groupby對象，該對象自己不會返回任何東西，只有當相應的方法被調用纔會起做用。例如取出某一個組：

• 
  

grouped_single.get_group('S_1').head()

b). 根據某幾列分組

• 
  
• 
  

grouped_mul = df.groupby(['School','Class'])grouped_mul.get_group(('S_2','C_4'))

c). 組容量與組數

調用的時候最好先根據size看下里面的內容，否則在get_group的時候可能會出錯。

• 
  

grouped_single.size()

• 
  

grouped_mul.size()

• 
  
• 
  

grouped_single.ngroupsgrouped_mul.ngroups

d). 組的遍歷

• 
  
• 
  
• 
  

for name,group in grouped_single:    print(name)    display(group.head())

e). level參數（用於多級索引）和axis參數

• 
  

df.set_index(['Gender','School']).groupby(level=1,axis=0).get_group('S_1').head()

2. groupby對象的特色：

• 查看全部可調用的方法

• 分組對象的head 和first
  

• 分組依據
  

• groupby的[]操做
  

• 連續型變量分組

a). 查看全部可調用的方法

因而可知，groupby對象可使用至關多的函數，靈活程度很高

• 
  

print([attr for attr in dir(grouped_single) if not attr.startswith('_')])

b). 分組對象的head和first

對分組對象使用head函數，返回的是每一個組的前幾行，而不是數據集前幾行

• 
  

grouped_single.head(2)

first顯示的是以分組爲索引的每組的第一個分組信息

• 
  

grouped_single.first()

c). 分組依據

對於groupby函數而言，分組的依據是很是自由的，只要是與數據框長度相同的列表便可，同時支持函數型分組。

• 
  
• 
  

df.groupby(np.random.choice(['a','b','c'],df.shape[0])).get_group('a').head()# 至關於將np.random.choice(['a','b','c'],df.shape[0])當作新的一列進行分組

從原理上說，咱們能夠看到利用函數時，傳入的對象就是索引，所以根據這一特性能夠作一些複雜的操做。

• 
  

df[:5].groupby(lambda x:print(x)).head(0)

根據奇偶行分組。

• 
  

df.groupby(lambda x:'奇數行' if not df.index.get_loc(x)%2==1 else '偶數行').groups

若是是多層索引，那麼lambda表達式中的輸入就是元組，下面實現的功能爲查看兩所學校中男女生分別均分是否及格。注意：此處只是演示groupby的用法，實際操做不會這樣寫。

• 
  
• 
  
• 
  
• 
  

math_score = df.set_index(['Gender','School'])['Math'].sort_index()grouped_score = df.set_index(['Gender','School']).sort_index().\            groupby(lambda x:(x,'均分及格' if math_score[x].mean()>=60 else '均分不及格'))for name,_ in grouped_score:print(name)

d). groupby的[]操做

能夠用[]選出groupby對象的某個或者某幾個列，上面的均分比較能夠以下簡潔地寫出：

• 
  

df.groupby(['Gender','School'])['Math'].mean()>=60

用列表可選出多個屬性列：

• 
  

df.groupby(['Gender','School'])[['Math','Height']].mean()

e). 連續型變量分組

例如利用cut函數對數學成績分組：

• 
  
• 
  
• 
  

bins = [0,40,60,80,90,100]cuts = pd.cut(df['Math'],bins=bins) #可選label添加自定義標籤df.groupby(cuts)['Math'].count()

聚合、過濾和變換

1. 聚合

• 經常使用聚合函數

• 同時使用多個聚合函數
  

• 使用自定義函數
  

• 利用NameAgg函數
  

• 帶參數的聚合函數

a). 經常使用聚合函數

所謂聚合就是把一堆數，變成一個標量，所以mean/sum/size/count/std/var/sem/describe/first/last/nth/min/max都是聚合函數。爲了熟悉操做，不妨驗證標準誤sem函數，它的計算公式是：組內標準差/組容量，下面進行驗證：

• 
  
• 
  

group_m = grouped_single['Math']group_m.std().values/np.sqrt(group_m.count().values)== group_m.sem().values

b). 同時使用多個聚合函數

• 
  

group_m.agg(['sum','mean','std'])

利用元組進行重命名

• 
  

group_m.agg([('rename_sum','sum'),('rename_mean','mean')])

指定哪些函數做用哪些列

• 
  

grouped_mul.agg({'Math':['mean','max'],'Height':'var'})

c). 使用自定義函數

• 
  
• 
  

grouped_single['Math'].agg(lambda x:print(x.head(),'間隔'))#能夠發現，agg函數的傳入是分組逐列進行的，有了這個特性就能夠作許多事情

官方沒有提供極差計算的函數，但經過agg能夠容易地實現組內極差計算

• 
  

grouped_single['Math'].agg(lambda x:x.max()-x.min())

d). 利用NamedAgg函數進行多個聚合

注意：不支持lambda函數，可是可使用外置的def函數

• 
  
• 
  
• 
  
• 
  
• 
  
• 
  
• 
  

def R1(x):    return x.max()-x.min()def R2(x):    return x.max()-x.median()grouped_single['Math'].agg(min_score1=pd.NamedAgg(column='col1', aggfunc=R1),                           max_score1=pd.NamedAgg(column='col2', aggfunc='max'),                           range_score2=pd.NamedAgg(column='col3', aggfunc=R2)).head()

e). 帶參數的聚合函數

判斷是否組內數學分數至少有一個值在50-52之間：

• 
  
• 
  
• 
  

def f(s,low,high):    return s.between(low,high).max()grouped_single['Math'].agg(f,50,52)

若是須要使用多個函數，而且其中至少有一個帶參數，則使用wrap技巧：

• 
  
• 
  
• 
  
• 
  
• 
  
• 
  
• 
  
• 
  
• 
  

def f_test(s,low,high):    return s.between(low,high).max()def agg_f(f_mul,name,*args,**kwargs):    def wrapper(x):        return f_mul(x,*args,**kwargs)    wrapper.__name__ = name    return wrappernew_f = agg_f(f_test,'at_least_one_in_50_52',50,52)grouped_single['Math'].agg([new_f,'mean']).head()

2. 過濾 Filteration
filter函數是用來篩選某些組的（務必記住結果是組的全體），所以傳入的值應當是布爾標量。

• 
  

grouped_single[['Math','Physics']].filter(lambda x:(x['Math']>32).all()).head()

3. 變換 Transformation

• 傳入對象

• 利用變換方法進行組內標準化

• 利用變換方法進行組內缺失值的均值填充

a). 傳入對象

transform函數中傳入的對象是組內的列，而且返回值須要與列長徹底一致

• 
  

grouped_single[['Math','Height']].transform(lambda x:x-x.min()).head()

若是返回了標量值，那麼組內的全部元素會被廣播爲這個值

• 
  

grouped_single[['Math','Height']].transform(lambda x:x.mean()).head()

b). 利用變換方法進行組內標準化

• 
  

grouped_single[['Math','Height']].transform(lambda x:(x-x.mean())/x.std()).head()

c). 利用變換方法進行組內缺失值的均值填充

• 
  
• 
  
• 
  

df_nan = df[['Math','School']].copy().reset_index()df_nan.loc[np.random.randint(0,df.shape[0],25),['Math']]=np.nandf_nan.head()

• 
  

df_nan.groupby('School').transform(lambda x: x.fillna(x.mean())).join(df.reset_index()['School']).head()

apply函數

1. apply函數的靈活性

• 標量返回值

• 列表返回值
  

• 數據框返回值

可能在全部的分組函數中，apply是應用最爲普遍的，這得益於它的靈活性：對於傳入值而言，從下面的打印內容能夠看到是以分組的表傳入apply中。

• 
  

df.groupby('School').apply(lambda x:print(x.head(1)))

apply函數的靈活性很大程度來源於其返回值的多樣性：

a). 標量返回值

• 
  

df[['School','Math','Height']].groupby('School').apply(lambda x:x.max())

b). 列表返回值

• 
  

df[['School','Math','Height']].groupby('School').apply(lambda x:x-x.min()).head()

c). 數據框返回值

• 
  
• 
  
• 
  
• 
  
• 
  

df[['School','Math','Height']].groupby('School')\    .apply(lambda x:pd.DataFrame({'col1':x['Math']-x['Math'].max(),                                  'col2':x['Math']-x['Math'].min(),                                  'col3':x['Height']-x['Height'].max(),                                  'col4':x['Height']-x['Height'].min()})).head()

2. 用apply同時統計多個指標

此處能夠藉助OrderedDict工具進行快捷的統計：

• 
  
• 
  
• 
  
• 
  
• 
  
• 
  
• 
  
• 
  

from collections import OrderedDictdef f(df):    data = OrderedDict()    data['M_sum'] = df['Math'].sum()    data['W_var'] = df['Weight'].var()    data['H_mean'] = df['Height'].mean()    return pd.Series(data)grouped_single.apply(f)

問題與練習

問題

問題1. 什麼是fillna的前向/後向填充，如何實現？

• 
  
• 
  
• 
  
• 
  

import numpy as npimport pandas as pddf = pd.read_csv('data/table.csv',index_col='ID')df.head(3)

• 
  
• 
  
• 
  

df_nan = df[['Math','School']].copy().reset_index()df_nan.loc[np.random.randint(0,df.shape[0],25),['Math']]=np.nandf_nan.head()

• fillna 的method方法能夠控制參數的填充方式，是向上填充：將缺失值填充爲該列中它上一個未缺失值；向下填充相反

• method : {‘backfill', ‘bfill', ‘pad', ‘ffill', None}, default None

• pad / ffill: 向下自動填充

• backfill / bfill: 向上自動填充

• 
  
• 
  

df_nan.Math=df_nan.Math.fillna(method='pad')df_nan.head()

問題2. 下面的代碼實現了什麼功能？請仿照設計一個它的groupby版本。

• 
  
• 
  
• 
  

s = pd.Series ([0, 1, 1, 0, 1, 1, 1, 0])s1 = s.cumsum()result = s.mul(s1).diff().where(lambda x: x < 0).ffill().add(s1,fill_value =0)

• s1：將s序列求累加和 [0, 1, 2, 2, 3, 4, 5, 5]

• s.mul(s1)：s 與s1累乘 [0, 1, 2, 0, 3, 4, 5, 0]

• .diff() 求一階差分 [nan, 1.0, 1.0, -2.0, 3.0, 1.0, 1.0, -5.0]

• .where(lambda x: x < 0) 值是否小於0：[nan, nan, nan, -2.0, nan, nan, nan, -5.0]

• .ffill()：向下填充 [nan, nan, nan, -2.0, -2.0, -2.0, -2.0, -5.0]

• .add(s1,fill_value =0) 缺失值補0後與s1求和：[0.0, 1.0, 2.0, 0.0, 1.0, 2.0, 3.0, 0.0]

• 
  
• 
  
• 
  
• 
  

list(s.mul(s1).diff().where(lambda x: x < 0).ffill().add(s1,fill_value =0))
gp =df.groupby('School')gp.apply(lambda x:x['Math'].mul(x['Math'].cumsum()).diff().where(lambda m: m < 0).ffill().add(x['Math'].cumsum(),fill_value =0)

問題3. 如何計算組內0.25分位數與0.75分位數？要求顯示在同一張表上。

• 
  
• 
  
• 
  

gp.apply(lambda x:pd.DataFrame({'q25':x.quantile(0.25),                                  'q75':x.quantile(0.75)                                       }))

問題4. 既然索引已經可以選出某些符合條件的子集，那麼filter函數的設計有什麼意義？ 答：filter函數是用來篩選組的，結果是組的全體。 問題5. 整合、變換、過濾三者在輸入輸出和功能上有何異同？

• 整合（Aggregation）分組計算統計量：輸入的是每組數據，輸出是每組的統計量，在列維度上是標量。

• 變換（Transformation）：即分組對每一個單元的數據進行操做（如元素標準化）：輸入的是每組數據，輸出是每組數據通過某種規則變換後的數據,不改變數據的維度。

• 過濾（Filtration）：即按照某些規則篩選出一些組:輸入的是每組數據，輸出的是知足要求的組的全部數據。

問題6. 在帶參數的多函數聚合時，有辦法可以繞過wrap技巧實現一樣功能嗎？

• 
  
• 
  
• 
  
• 
  

def f_test(s,low=50,high=52):    return s.between(low,high).max()grouped_single['Math'].agg([f_test,'mean']).head()#這裏須要理解的是，agg除了傳入字符形式的np函數外，其餘傳入對象也應當是一個函數

練習

練習1 ：現有一份關於diamonds的數據集，列分別記錄了克拉數、顏色、開採深度、價格，請解決下列問題：

• 
  
• 
  

df=pd.read_csv('data/Diamonds.csv')df.head(3)

(a). 在全部重量超過1克拉的鑽石中，價格的極差是多少？

• 
  

df.groupby(lambda x : '>1克拉' if df.loc[x,'carat']>1.0 else '<=1克拉').price.agg(lambda x:x.max()-x.min()

(b). 若以開採深度的0.2\0.4\0.6\0.8分位數爲分組依據，每一組中鑽石顏色最多的是哪種？該種顏色是組內平均而言單位重量最貴的嗎？

• 
  
• 
  
• 
  
• 
  
• 
  
• 
  
• 
  

bins=[df.depth.quantile(i) for i in [0,0.2,0.4,0.6,0.8,1]]df['cuts']=pd.cut(df.depth,bins=bins)df['unit_price']=df['price']/df['carat']df.groupby(['cuts','color'])['unit_price'].agg(['count','mean']).reset_index().groupby('cuts')\    .apply(lambda x:pd.DataFrame({'cuts':x['cuts'],'color':x['color']                                  ,'count':x['count'],'count_diff':x['count']-x['count'].max()                                  , 'mean':x['mean'], 'mean_diff':x['mean']-x['mean'].max()})).sort_values(by='count_diff',ascending=False)##有些是單位質量最貴的，有些不是(當count_diff與mean_diff同爲0時，則是)

(c). 以重量分組(0-0.5,0.5-1,1-1.5,1.5-2,2+)，按遞增的深度爲索引排序，求每組中連續的嚴格遞增價格序列長度的最大值。

bins=[0,0.5,1,1.5,2,6]df['carat_cuts']=pd.cut(df.carat,bins=bins)sorted_df=df.groupby('carat_cuts').apply(lambda x:x.sort_values('depth')).reset_index(drop=True)#再求價格遞增tp=sorted_df.groupby('carat_cuts').apply(lambda x: pd.DataFrame({'carat_cuts':x['carat_cuts'],'price':x['price'],'is_f':x['price'].diff()>0,'continuous':((x['price'].diff()>0)!=(x['price'].diff()>0).shift()).cumsum()} ))tp.loc[tp.is_f==True,:].groupby(['carat_cuts','continuous']).price.agg(['count']).reset_index().groupby('carat_cuts').max()
##由於沒有計算序列第一個值。嚴格遞增最大序列長度在max的基礎上+1，結果以下.#(0.0, 0.5]  8#(0.5, 1.0]  8#(1.0, 1.5]  7#(1.5, 2.0]  11#(2.0, 6.0]  7

(d). 請按顏色分組，分別計算價格關於克拉數的迴歸係數。（單變量的簡單線性迴歸，並只使用Pandas和Numpy完成）

df['ones']=1colors=['G','E','F','H','D','I','J']for  c in colors:    X=np.matrix( df.loc[ df.color==c, ['carat','ones']].values)    Y=np.matrix( df.loc[ df.color==c, ['price']].values)    params=np.linalg.inv(X.T@X)@X.T@Y    print('color {}的 參數爲k={},b={}'.format(c,params[0],params[1]) )
# color G的 參數爲k=[[8525.34577932]],b=[[-2575.52764286]]# color E的 參數爲k=[[8296.21278346]],b=[[-2381.04960038]]# color F的 參數爲k=[[8676.65834379]],b=[[-2665.80619085]]# color H的 參數爲k=[[7619.0983199]],b=[[-2460.41804636]]# color D的 參數爲k=[[8408.35312588]],b=[[-2361.01715228]]# color I的 參數爲k=[[7761.04116881]],b=[[-2878.15035558]]# color J的 參數爲k=[[7094.19209226]],b=[[-2920.60333719]]

練習2：有一份關於美國10年至17年的非法藥物數據集，列分別記錄了年份、州（5個）、縣、藥物類型、報告數量，請解決下列問題：

• 
  

pd.read_csv('data/Drugs.csv').head()

(a). 按照年份統計，哪一個縣在哪年的報告數量最多？這個縣所屬的州在當年也是報告數最多的嗎？

答：按照年份統計，HAMILTON在2017年報告數量最多，該縣所屬的州PA在當年不是報告數最多的。

• 
  

df_ex2.groupby(['YYYY', 'COUNTY'])['DrugReports'].sum().sort_values(ascending = False

• 
  
• 
  
• 
  

df_ex2['State'][df_ex2['COUNTY'] == 'HAMILTON'].unique()array(['PA'], dtype=object)df_ex2.loc[df_ex2['YYYY'] == 2017, :].groupby('State')['DrugReports'].sum().sort_values(ascending = False)

(b). 從14年到15年，Heroin的數量增長最多的是哪個州？它在這個州是全部藥物中增幅最大的嗎？若不是，請找出符合該條件的藥物。

答：從14年到15年，Heroin的數量增長最多的是OH，它在這個州是全部藥物中增幅最大。

方法一

• 
  
• 
  
• 
  

df_ex2_b_1 = df_ex2.loc[((df_ex2['YYYY'] == 2014) | (df_ex2['YYYY'] == 2015)) & (df_ex2['SubstanceName'] == 'Heroin'), :]df_ex2_b_2 = df_ex2_b_1.groupby(['YYYY', 'State'])['DrugReports'].sum().to_frame().unstack(level=0)(df_ex2_b_2[('DrugReports', 2015)] - df_ex2_b_2[('DrugReports', 2014)]).sort_values(ascending = False)

方法二

• 
  
• 
  
• 
  

df_ex2_b_1 = df_ex2.loc[((df_ex2['YYYY'] == 2014) | (df_ex2['YYYY'] == 2015)) & (df_ex2['SubstanceName'] == 'Heroin'), :]df_ex2_b_3 = df_ex2_b_1.groupby(['YYYY', 'State'])['DrugReports'].sum().to_frame()df_ex2_b_3.groupby('State').apply(lambda x:x.loc[2015, :] - x.loc[2014, :]).sort_values(by = 'DrugReports', ascending = False)

• 
  
• 
  
• 
  

df_ex2_b_1 = df_ex2.loc[((df_ex2['YYYY'] == 2014) | (df_ex2['YYYY'] == 2015)), :]df_ex2_b_2 = df_ex2_b_1.groupby(['YYYY', 'State', 'SubstanceName'])['DrugReports'].sum().to_frame().unstack(level=0)(df_ex2_b_2[('DrugReports', 2015)] - df_ex2_b_2[('DrugReports', 2014)]).sort_values(ascending = False)