pandas之groupby分组与pivot_table透视
2024-10-19 11:38:42
一、groupby
类似excel的数据透视表，一般是按照行进行分组，使用方法如下。
df.groupby(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True,
squeeze=False, observed=False, **kwargs)
分组得到的直接结果是一个DataFrameGroupBy对象。
df = pd.DataFrame({'A':['zhao','li','wang','li','zhao'],
'B':['one','one','two','three','two'],
'C':np.arange(1,6),
'D':np.arange(6,11)})
print(df)
print(df.groupby('A'))
print(type(df.groupby('A')))
# A B C D
# 0 zhao one 1 6
# 1 li one 2 7
# 2 wang two 3 8
# 3 li three 4 9
# 4 zhao two 5 10
# <pandas.core.groupby.generic.DataFrameGroupBy object at 0x0000000001E6C550>
# <class 'pandas.core.groupby.generic.DataFrameGroupBy'>
分组后的直接结果是一个可迭代对象，可迭代对象中的每一个元素都是一个元组，元组的第一个值为分组的名称，第二个值为DataFrame。可通过for或转换为list、元组查看每一个元素。
for n,p in df.groupby('A'):
print(type(p))
print(n)
print(p)
print('-------------------------')
# <class 'pandas.core.frame.DataFrame'>
# li
# A B C D
# 1 li one 2 7
# 3 li three 4 9
# -------------------------
# <class 'pandas.core.frame.DataFrame'>
# wang
# A B C D
# 2 wang two 3 8
# -------------------------
# <class 'pandas.core.frame.DataFrame'>
# zhao
# A B C D
# 0 zhao one 1 6
# 4 zhao two 5 10
# -------------------------
查看分组后的结果
通过get_group('分组名称')获取某一个分组的内容
groups是一个字典，字典的键为各分组名称，值为列表包含分组所在的索引行，可通过groups['分组名称']查看某一个分组所在的行
print(df.groupby('A').get_group('zhao')) #获取分组后的zhao组
# A B C D
# 0 zhao one 1 6
# 4 zhao two 5 10
print(df.groupby(['A','B']).groups)
print(df.groupby(['A','B']).groups[('li', 'one')])
# {('li', 'one'): Int64Index([1], dtype='int64'), ('li', 'three'): Int64Index([3], dtype='int64'), ('wang', 'two'): Int64Index([2], dtype='int64'), ('zhao', 'one'): Int64Index([0], dtype='int64'), ('zhao', 'two'): Int64Index([4], dtype='int64')}
# Int64Index([1], dtype='int64')
get_group查看分组内容和groups查看分组所在行
size( )统计每个分组的长度
print(df.groupby('A').size())
print(type(df.groupby('A').size()))
# A
# li 2
# wang 1
# zhao 2
# dtype: int64
# <class 'pandas.core.series.Series'>
size统计分组的长度
分组可对单列或者多列进行，如果对多列进行分组，需要写在一个列表内。
df = pd.DataFrame({'A':['zhao','li','wang','li','zhao'],
'B':['one','one','two','three','two'],
'C':np.arange(1,6),
'D':np.arange(6,11)})
print(df.groupby('A').sum()) #以A列分组，对其他元素为数值的列进行求和，忽略非数值元素的列
print('---------------------')
print(df.groupby(['A','B']).sum()) #以A列和B列分组，对其他列求和，忽略非数值元素的列
print('---------------------')
print(df.groupby('A')['D'].sum()) #以A列分组，再对D列求和
C D
# A
# li 6 16
# wang 3 8
# zhao 6 16
# ---------------------
# C D
# A B
# li one 2 7
# three 4 9
# wang two 3 8
# zhao one 1 6
# two 5 10
# ---------------------
# A
# li 16
# wang 8
# zhao 16
# Name: D, dtype: int32
groupby单列和多列分组
按照index分组，将index相同的分为一组，分组依据level=0
df = pd.DataFrame({'data1':[1,2,3,4],'data2':[3,4,5,6],'A':[5,6,7,8],'B':[7,8,9,0]},index=[1,2,3,1])
print(df) #groupby(level=0)表示将索引相同的行分为一组
print(df.groupby(level=0).first()) #分组后组内第一个值
print(df.groupby(level=0).last()) #分组后组内最后一个值
print(df.groupby(level=0).max()) #分组后组内最大值
print(df.groupby(level=0).min()) #分组后组内最小值
print(df.groupby(level=0).sum()) #分组后组内元素的和
print(df.groupby(level=0).mean()) #分组后组内元素的平均值
print(df.groupby(level=0).median())#分组后组内元素的中位数
print(df.groupby(level=0).count()) #分组后组内元素的个数
print(df.groupby(level=0).std()) #分组后组内元素的方差
print(df.groupby(level=0).prod()) #分组后组内元素的乘积
print(df.groupby(level=0).describe())#分组后组内元素的count、mean、std、min、25%、50%、75%。max
按index分组
按照index长度分组
df = pd.DataFrame({'A':[1,2,3,4],'B':[3,4,5,6],'D':[5,6,7,8],'D':[7,8,9,0]},index=['a','ab','cd','e'])
print(df)
print(df.groupby(len).sum())
# A B D
# a 1 3 7
# ab 2 4 8
# cd 3 5 9
# e 4 6 0
# A B D
# 1 5 9 7
# 2 5 9 17
按照index长度分组
按照数据类型进行分组，df.dtypes可获得每个数据列的数据类型，数据类型是对列而言，因此按数据类型分组需指明axis=1
df = pd.DataFrame({'data1':[1,2],'data2':[3,4],'A':['a','b'],'B':['c','d']})
print(df)
print(df.groupby(df.dtypes,axis=1).sum())
for n,p in df.groupby(df.dtypes,axis=1):
print(n)
print(p)
print('-------')
# data1 data2 A B
# 0 1 3 a c
# 1 2 4 b d
# int64 object
# 0 4 ac
# 1 6 bd
# int64
# data1 data2
# 0 1 3
# 1 2 4
# -------
# object
# A B
# 0 a c
# 1 b d
# -------
按照数据类型dtypes分组
按照字典分组，需定义一个字典，键为列名称，值为对应的分组名称，按照列分组需要指明axis=1
例如下面例子中的map，定义data1列和A列属于分组key1，data2列数组分组key2，B列属于分组key3
df = pd.DataFrame({'data1':[1,2],'data2':[3,4],'A':['a','b'],'B':['c','d']})
map = {'data1':'key1','data2':'key2','A':'key1','B':'key3'}
for i,p in df.groupby(map,axis=1):
print(i)
print(p)
print('----------')
# key1
# data1 A
# 0 1 a
# 1 2 b
# ----------
# key2
# data2
# 0 3
# 1 4
# ----------
# key3
# B
# 0 c
# 1 d
# ----------
按照字典分组
多函数计算agg(函数1，函数2)
对分组后的每个组既进行第一个函数的计算，又进行第二个函数的计算。
df = pd.DataFrame({'a':[1,2,3,1],'b':['a','b','a','b'],'c':np.arange(3,7),'d':np.arange(2,6)})
print(df)
print(df.groupby('a').agg(['mean','sum'])) #b列为非数值，忽略
print(df.groupby('b').agg([np.sum,np.mean]))
# a b c d
# 0 1 a 3 2
# 1 2 b 4 3
# 2 3 a 5 4
# 3 1 b 6 5
# c d
# mean sum mean sum
# a
# 1 4.5 9 3.5 7
# 2 4.0 4 3.0 3
# 3 5.0 5 4.0 4
# a c d
# sum mean sum mean sum mean
# b
# a 4 2.0 8 4 6 3
# b 3 1.5 10 5 8 4
分组后多函数计算agg
多函数计算后的默认column为函数名称，也可以通过字典自定义column。
df = pd.DataFrame({'a':[1,2,3,1],'b':['a','b','a','b'],'c':np.arange(3,7),'d':np.arange(2,6)})
print(df.groupby('b')['c'].agg({'result_sum':np.sum,'result_mean':np.mean}))
# result_sum result_mean
# b
# a 8 4
# b 10 5
多函数计算后自定义列名称
二、transform
上述groupby如果通过行分组再进行求和、均值等，会出现结果与原对象的行数不一致的情况，而通过transform得到的结果与原对象的结果行数一致。
df = pd.DataFrame({'A':['zhao','li','wang','li','zhao'],
'B':['one','one','two','two','three'],
'C':np.arange(1,6),
'D':np.arange(5,10)})
print(df)
print(df.groupby('B').mean()) #只包含one、two、three三行
print(df.groupby('B').transform(np.mean)) #结果为5行，B列内容相同的行的结果相同
# A B C D
# 0 zhao one 1 5
# 1 li one 2 6
# 2 wang two 3 7
# 3 li two 4 8
# 4 zhao three 5 9
# C D
# B
# one 1.5 5.5
# three 5.0 9.0
# two 3.5 7.5
# C D
# 0 1.5 5.5
# 1 1.5 5.5
# 2 3.5 7.5
# 3 3.5 7.5
# 4 5.0 9.0
transform()演示
三、applay
上述groupby分组后都是使用python定义好的sum、mean、max等进行统计计算，apply可以自定义统计方法。
def func(df,n):
return *** df.groupby('*').apply(func,n) #自定义函数func，第一个参数为pandas对象，并返回值
#分组后使用apply函数，将自定义函数的名称作为第一个参数，第二个参数传递给自定义函数的第二个参数
df = pd.DataFrame({'A':['zhao','li','wang','li','zhao','zhao'],
'B':['one','one','two','two','three','two'],
'C':np.arange(1,7),
'D':np.arange(4,10)})
def f(d,n):
return d.sort_index()[:n] #按照索引排序，并返回前n行
print(df)
print(df.groupby('A').apply(f,2)) #按照A分组，对结果按索引排序，并返回每组的前n行
A B C D
# 0 zhao one 1 4
# 1 li one 2 5
# 2 wang two 3 6
# 3 li two 4 7
# 4 zhao three 5 8
# 5 zhao two 6 9
# A B C D
# A
# li 1 li one 2 5
# 3 li two 4 7
# wang 2 wang two 3 6
# zhao 0 zhao one 1 4
# 4 zhao three 5 8
apply()自定义统计方法
四、透视表pivot_table()、pivot()
pivot_table(self, values=None, index=None, columns=None, aggfunc='mean',
fill_value=None, margins=False, dropna=True, margins_name='All')
可类比excel的数据透视表进行理解，使用方法pd.pivot_table( df , ...)，或直接使用df.pivot_table( ... )
- values：透视后对哪一列进行计算
- index：按照哪一列进行分组
- columns：透视后除了values，还包含哪些列
- aggfunc：对values进行计算的方法，默认为平均值
- fill_value：对空值使用fill_value指定的值填充，默认为NaN
import numpy as np
import pandas as pd
date = ['2019/5/1','2019/5/2','2019/5/3']*3
df = pd.DataFrame({'date':pd.to_datetime(date),'key':list('abcbacbca'),'value':np.arange(1,10)})
print(df)
print(df.pivot_table(index='date',values='value',columns='key',aggfunc=np.sum))
print(df.pivot_table(index=['date','key'],values='value',aggfunc=np.sum))
# date key value
# 0 2019-05-01 a 1
# 1 2019-05-02 b 2
# 2 2019-05-03 c 3
# 3 2019-05-01 b 4
# 4 2019-05-02 a 5
# 5 2019-05-03 c 6
# 6 2019-05-01 b 7
# 7 2019-05-02 c 8
# 8 2019-05-03 a 9
# key a b c
# date
# 2019-05-01 1.0 11.0 NaN
# 2019-05-02 5.0 2.0 8.0
# 2019-05-03 9.0 NaN 9.0
# value
# date key
# 2019-05-01 a 1
# b 11
# 2019-05-02 a 5
# b 2
# c 8
# 2019-05-03 a 9
# c 9
数据透视表pivot_table()
pivot()也是用来生成透视表的，结果为一个二维的表格，结果中可能会存在空值，但是与pivot_table()用法和结果稍有不同。
pivot(data, index=None, columns=None, values=None)，使用方法pd.pivot(df,...)或者df.pivot()
index 透视行
columns 透视列
values 对哪一列进行透视
date = ['2019/5/1','2019/5/2','2019/5/3']*3
df = pd.DataFrame({'date':pd.to_datetime(date),'key':list('abcbabccd'),'value':np.arange(1,10)})
res = pd.pivot(df,'date','key','value')
print(res)
# key a b c d
# date
# 2019-05-01 1.0 4.0 7.0 NaN
# 2019-05-02 5.0 2.0 8.0 NaN
# 2019-05-03 NaN 6.0 3.0 9.0
数据透视pivot()
五、交叉表crossta()
交叉表默认用来统计元素出现的频数，使用方法pd.crosstab(Seris1,Seris2)
crosstab(index, columns, values=None, rownames=None, colnames=None, aggfunc=None,
margins=False, margins_name='All', dropna=True, normalize=False)
- index：行的统计依据
- columns：列的统计依据
- values：在行为index、列为columns的基础上，对values指定的列进行统计，默认为None，表示统计频数
- aggfunc：统计方法，agggunc和values必须同时使用
- normalize：默认为False，值设置为True表示统计频率
- margins：默认为False，值设置为True表示对结果添加一列，对每列的和进行统计，同时添加一行，对每行的和进行统计
- rownames和colnames：默认为None，即显示index和columns的名称
df = pd.DataFrame([[1,2,3,1,3],[2,'a','a',2,1],[3,np.nan,'a','b',2],[np.nan,'a','b',1,2],[4,1,'c','b',2]],columns=['A','B','C','D','E'])
print(pd.crosstab(df['A'],df['B'])) #表示统计A为1且B为1出现的次数，A为2且B为1出现的次数，A为4且B为1出现的次数……
# B 1 2 a
# A
# 1.0 0 1 0
# 2.0 0 0 1
# 4.0 1 0 0
可以看到A为np.nan、B为np.nan的两行在统计时都被忽略了。
normalize=True会将上述结果的非0值显示为小数试的百分比
print(pd.crosstab(df['A'],df['B'],normalize=True))
# B 1 2 a
# A
# 1.0 0.000000 0.333333 0.000000
# 2.0 0.000000 0.000000 0.333333
# 4.0 0.333333 0.000000 0.000000
同时指定values=df['E']和aggfunc=np.sum，表示在A和B对应值得条件下，对E列求和
print(pd.crosstab(df['A'],df['B'],values=df['E'],aggfunc=np.sum))
# B 1 2 a
# A
# 1.0 0 1 0
# 2.0 0 0 1
# 4.0 1 0 0
margins增加行和列的总数统计
print(pd.crosstab(df['A'],df['B']))
print(pd.crosstab(df['A'],df['B'],margins=True))
# B 1 2 a
# A
# 1.0 0 1 0
# 2.0 0 0 1
# 4.0 1 0 0 # B 1 2 a All
# A
# 1.0 0 1 0 1
# 2.0 0 0 1 1
# 4.0 1 0 0 1
# All 1 1 1 3
rownames和colnames自定义结果显示的行和列名称
print(pd.crosstab(df['A'],df['B'],rownames=['AAA'],colnames=['BBB']))
# BBB 1 2 a
# AAA
# 1.0 0 1 0
# 2.0 0 0 1
# 4.0 1 0 0
最新文章
- 使用NodeList
- 【BZOJ-1086】王室联邦 分块 + 块状树
- 使用xp光盘修复系统的方法步骤
- Android开发--布局二
- js一些题目
- ASP.NET Session丢失的情况
- "Money, Money, Money"
- SQL ID自增列从1开始重新排序 分类： SQL Server 2014-05-19 14:46 652人阅读 评论(0) 收藏
- JAVA中的继承和覆盖
- SLS评测报告
- 精解Mat类(一)：基本数据类型-固定大小的 矩阵类(Matx) 向量类(Vector)
- android 自定义view之侧滑效果
- 关于APP界面布局设计的八种优缺点
- 11款插件让你的Chrome成为全世界最好用的浏览器｜Chrome插件推荐
- python练习：http协议介绍
- angular 使用dialog的经验
- 1.6 Navigating This Book（本书导航）
- 单链表之一元多项式求和C++实现
- jQuery File Upload 文件上传插件使用二 (功能完善)
- Swift-存储属性,计算属性,类属性