python/pandas數據挖掘（十四）-groupby,聚合，分組級運算

https://blog.csdn.net/youngbit007/article/details/54288603

groupby
import pandas as pd
df = pd.DataFrame({'key1':list('aabba'),
'key2': ['one','two','one','two','one'],
'data1': np.random.randn(5),
'data2': np.random.randn(5)})
df
1
2
3
4
5
6

grouped=df['data1'].groupby(df['key1'])
grouped.mean()
1
2
以上的分組鍵均爲Series，實際上分組鍵能夠是任何長度適當的數組

states=np.array(['Ohio','California','California','Ohio','Ohio'])
years=np.array([2005,2005,2006,2005,2006])
df['data1'].groupby([states,years]).mean()
1
2
3

df.groupby('key1').mean()
1

能夠看出沒有key2列，由於df[‘key2’]不是數值數據，因此被從結果中移除。默認狀況下，全部數值列都會被聚合，雖然有時可能被過濾爲一個子集。

對分組進行迭代
for name, group in df.groupby('key1'):
print (name)
print (group)
1
2
3

能夠看出name就是groupby中的key1的值，group就是要輸出的內容。
同理：

for (k1,k2),group in df.groupby(['key1','key2']):
print ('===k1,k2:')
print (k1,k2)
print ('===k3:')
print (group)
1
2
3
4
5

對group by後的內容進行操做，如轉換成字典

piece=dict(list(df.groupby('key1')))
piece

{'a': data1 data2 key1 key2
0 -0.233405 -0.756316 a one
1 -0.232103 -0.095894 a two
4 1.056224 0.736629 a one, 'b': data1 data2 key1 key2
2 0.200875 0.598282 b one
3 -1.437782 0.107547 b two}

piece['a']
1
2
3
4
5
6
7
8
9
10
11
12

groupby默認是在axis=0上進行分組的，經過設置也能夠在其餘任何軸上進行分組.

grouped=df.groupby(df.dtypes, axis=1)
dict(list(grouped))

{dtype('float64'): data1 data2
0 -0.233405 -0.756316
1 -0.232103 -0.095894
2 0.200875 0.598282
3 -1.437782 0.107547
4 1.056224 0.736629, dtype('O'): key1 key2
0 a one
1 a two
2 b one
3 b two
4 a one
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
選取一個或者一組列

對於大數據，不少狀況是隻須要對部分列進行聚合

df.groupby(['key1','key2'])[['data2']].mean()
1
2

經過字典或者series進行分組
people=pd.DataFrame(np.random.randn(5,5),
columns=list('abcde'),
index=['Joe','Steve','Wes','Jim','Travis'])

people.ix[2:3,['b','c']]=np.nan #設置幾個nan
people
1
2
3
4
5
6

已知列的分組關係

mapping={'a':'red','b':'red','c':'blue','d':'blue','e':'red','f':'orange'}

by_column=people.groupby(mapping,axis=1)

by_column.sum()
1
2
3
4
5

若是不加axis=1, 則只會出現 a b c d e

Series 也同樣

map_series=pd.Series(mapping)
map_series

a red
b red
c blue
d blue
e red
f orange
dtype: object

people.groupby(map_series,axis=1).count()
1
2
3
4
5
6
7
8
9
10
11
12

經過函數進行分組
相較於dic或者Series，python函數在定義分組關係映射時更有創意。任何被當作分組鍵的函數都會在各個索引上被調用一次，其返回值就會被用做分組名稱。假設你按人名的長度進行分組，僅僅傳入len便可

people.groupby(len).sum() a b c d e 3 -1.308709 -2.353354 1.585584 2.908360 -1.267162 5 -0.688506 -0.187575 -0.048742 1.491272 -0.636704 6 0.110028 -0.932493 1.343791 -1.928363 -0.364745
1
2
將函數和數組、列表、字典、Series混合使用也不是問題，由於任何東西都會最終轉換爲數組

key_list=['one','one','one','two','two'] people.groupby([len,key_list]).sum()
1
根據索引級別進行分組
層次化索引最方便的地方就在於他可以根據索引級別進行聚合。要實現該目的，經過level關鍵字出入級別編號或者名稱便可:

columns=pd.MultiIndex.from_arrays([['US','US','US','JP','JP'],[1,3,5,1,3]],names=['cty','tenor'])
hier_df=pd.DataFrame(np.random.randn(4,5),columns=columns)
hier_df
1
2
3

hier_df.groupby(level='cty',axis=1).count()
1

數據聚合
調用自定義的聚合函數

 

 

面向列的多函數應用
對Series或者DataFrame列的聚合運算實際是使用aggregate或者調用mean，std等方法。下面咱們想對不一樣的列使用不一樣的聚合函數，或者一次應用多個函數

grouped=tips.groupby(['sex','smoker'])
grouped_pct=grouped['tip_pct'] #tip_pct列
grouped_pct.agg('mean')#對與9-1圖標中描述的統計，能夠將函數名直接以字符串傳入

#若是傳入一組函數，獲得的df的列名就會以相應的函數命名
1
2
3
4
5

自動給出的列名辨識度低，若是傳入的是(name, function)元組組成的列表，則各個元組的第一個元素將被用做df的列名

 

對於df，能夠定義一組用於所有列的函數,或在不一樣的列應用不一樣的函數

若是想對不一樣的列應用不一樣的函數, 具體的辦法是想agg傳入一個從列名映射到函數的字典

只有將多個函數應用到至少一列時，df才能擁有層次化的列

分組級運算和轉換
聚合只是分組運算的一種，它是數據轉換的特列。transform 和apply更牛叉.

transform會將一個函數應用到各個分組，而後將結果放在適當的位置. 若是各分組產生的標量值，則該標量值會被廣播出去。

transform也是有嚴格條件的特殊函數：傳入的函數只能產生兩種結果，要麼產生一個能夠廣播的標量值(如：np.mean), 要麼產生一個相同大小的結果數組。

people=pd.DataFrame(np.random.randn(5,5),
columns=list('abcde'),
index=['Joe','Steve','Wes','Jim','Travis'])
people
1
2
3
4
5

key=['one','two','one','two','one']
people.groupby(key).mean()
1
2

people.groupby(key).transform(np.mean)
1

能夠看到有不少與表2同樣的值。

def demean(arr):
return arr-arr.mean()

demeaned=people.groupby(key).transform(demean)
demeaned
1
2
3
4
5
demeaned.groupby(key).mean()
1
最通常化的groupby 方法是apply.

tips=pd.read_csv('C:\\Users\\ecaoyng\\Desktop\\work space\\Python\\py_for_analysis_code\\pydata-book-master\\ch08\\tips.csv')
tips[:5]
1
2

新生成一列

tips['tip_pct']=tips['tip']/tips['total_bill']
tips[:6]
1
2

根據分組選出最高的5個tip_pct值

def top(df,n=5,column='tip_pct'):
return df.sort_index(by=column)[-n:]
top(tips,n=6)
1
2
3

對smoker分組並應用該函數

tips.groupby('smoker').apply(top)
1

多參數版本

tips.groupby(['smoker','day']).apply(top,n=1,column='total_bill')
1

分位數和桶分析
cut and qcut與groupby結合起來，能輕鬆的對數據集的桶(bucket)或者分位數(quantile)分析。

frame=pd.DataFrame({'data1':np.random.randn(1000),
'data2': np.random.randn(1000)})
frame[:5]
1
2
3

factor=pd.cut(frame.data1,4)
factor[:10]

0 (0.281, 2.00374]
1 (0.281, 2.00374]
2 (-3.172, -1.442]
3 (-1.442, 0.281]
4 (0.281, 2.00374]
5 (0.281, 2.00374]
6 (-1.442, 0.281]
7 (-1.442, 0.281]
8 (-1.442, 0.281]
9 (-1.442, 0.281]
Name: data1, dtype: category
Categories (4, object): [(-3.172, -1.442] < (-1.442, 0.281] < (0.281, 2.00374] < (2.00374, 3.727]]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
def get_stats(group):
return {'min':group.min(),'max':group.max(),'count':group.count(),'mean':group.mean()}
grouped=frame.data2.groupby(factor)
grouped.apply(get_stats).unstack()
1
2
3
4

這些都是長度相等的桶，要根據樣本分爲數獲得大小相等的桶，使用qcut便可.

長度相等的桶：區間大小相等
大小相等的桶：數據點數量相等

grouping=pd.qcut(frame.data1,10,labels=False)#label=false便可值獲取分位數的編號
grouped=frame.data2.groupby(grouping)
grouped.apply(get_stats).unstack()
1
2
3

————————————————版權聲明：本文爲CSDN博主「楊核桃Alvin」的原創文章，遵循CC 4.0 BY-SA版權協議，轉載請附上原文出處連接及本聲明。原文連接：https://blog.csdn.net/youngbit007/java/article/details/54288603