Python结构化数据分析工具Pandas之高级应用

1. 分组与聚合的原理

在Pandas中：
分组是指使用特定的条件将原数据划分为多个组。

聚合在这里指的是，对每个分组中的数据执行某些 *** 作，最后将计算的结果进行整合。

Pandas分组方式-官方参考文档地址

分组与聚合的过程大概分为以下三步：

分组与聚合的原理：

2. 通过groupby()方法将数据划分成组

在Pandas中，可以通过groupby()方法将数据集按照某些标准划分成若干个组。

groupby(by=None, axis=0, level=None, as_index=True, sort=True,group_keys=True, squeeze=False, observed=False, **kwargs)

• by：用于确定进行分组的依据。
• axis：表示分组轴的方向。
• sort：表示是否对分组标签进行排序，接收布尔值，默认为True。

groupby()方法会返回一个GroupBy对象，该对象实际上并没有进行任何计算，只是包含一些关于分组键的中间数据而已。

• 使用Series调用groupby()方法返回的是SeriesGroupBy对象。
• 使用DataFrame调用groupby()方法返回的是DataFrameBy对象。

通过groupby()方法的by参数可以指定按什么标准分组，该参数可以接收的数据主要有以下4种：

列表或数组	DataFrame某列	字典或Series对象	函数

2.1 按列名进行分组

如果DataFrame对象的某一列数据符合划分成组的标准，则可以将该列当做分组键来拆分数据集。

df.groupby(by='Key')
#

如果要查看每个分组的具体内容，则可以使用for循环遍历DataFrameGroupBy对象。

group_obj = df.groupby('Key')
# 遍历分组对象
for i in group_obj:
              print(i)

2.2 按Series对象进行分组

还可以将自定义的Series类对象作为分组键进行分组。

ser_obj = pd.Series(['a', 'b', 'c', 'a', 'b'])
# 按自定义Series对象进行分组
group_obj = df.groupby(by = ser_obj)

思考：

如果Series对象的长度与原数据的行索引长度不相等时，那么在分组时会怎么样呢？

答：

如果Series对象与Pandas对象的索引长度不相同时，则只会将具有相同索引的部分数据进行分组。

df = se = pd.Series(['a', 'a', 'b'])
group_obj = df.groupby(se)['one', 'two', 'one','two', 'one'],
                                  'data1': [2, 3, 4, 6, 8],
                                  'data2': [3, 5, 6, 3, 7]})
se = pd.Series(['a', 'a', 'b'])
group_obj = df.groupby(se)

2.3 按字典进行分组

当使用字典对DataFrame进行分组时，则需要确定轴的方向及字典中的映射关系，即字典中的键为列名，字典的值为自定义的分组名。

mapping = {'a':'第一组','b':'第二组','c':'第一组','d':'第三组','e':'第二组'}
by_column = num_df.groupby(mapping, axis=1)

2.4 按函数进行分组

将函数作为分组键会更加灵活，任何一个被当做分组键的函数都会在各个索引值上被调用一次，返回的值会被用作分组名称。

# 使用内置函数len进行分组
groupby_obj = df.groupby(len)

3. 数据聚合 3.1 使用内置统计方法聚合数据

前面介绍过的Pandas统计方法，比如用于获取最大值和最小值的max()和mix()，这些方法常用于简单地聚合分组中的数据。

# 按key1进行分组，求每个分组的平均值
df.groupby('key1').mean()

3.2 面向列的聚合方法

如果内置方法无法满足聚合要求时，则可以自定义函数，将它作为参数传给agg()方法，实现Pandas对象的聚合运算。

agg（func,axis = 0,* args,** kwargs ）

• func：表示用于汇总数据的函数，可以为单个函数或函数列表。
• axis：表示函数作用于轴的方向，0或index表示将函数应用到每一列；
• columns表示将函数应用到每一行，该参数的默认值为0。

3.3 对每一列数据应用同一个函数

通过agg()方法进行聚合，最简单的方式就是给该方法的func参数传入一个函数，这个函数既可以是内置的，也可以自定义的。

def range_data_group(arr):
      return arr.max()-arr.min()
      # 使用自定义函数聚合分组数据
data_group.agg(range_data_group)  

3.4 对某列数据应用不同的函数

可以将两个函数的名称放在列表中，之后在调用agg()方法进行聚合时作为参数传入即可，

# 对一列数据用两种函数聚合
data_group.agg([range_data_group, sum])

虽然每一列可以应用不同的函数，但是结果并不能很直观地辨别出每个函数代表的含义。

为了能更好地反映出每列数据的信息，可以使用“(name,function）”元组将function（函数名）替换为name（自定义名称）。

data_group.agg([("极差", range_data_group), ("和", sum)])

3.5 对不同列数据应用不同函数

如果希望对不同的列使用不同的函数，则可以在agg()方法中传入一个{"列名":"函数名"}格式的字典。

data_group.agg({'a': 'sum', 'b': 'mean', 'c': range_data_group})

agg()方法执行聚合 *** 作时，会将一组标量值参与某些运算后转换为一个标量值。

4. 分组级运算 4.1 数据转换

思考：

如果希望聚合后的数据与原数据保持一样的形状，应该怎么做呢？

答：

如果希望保持与原数据集形状相同，那么可以通过transfrom()方法实现。

transform(func, *args, **kwargs)

• 上述方法中只有一个func参数，表示 *** 作Pandas对象的函数。
• transfrom()方法会把func函数应用到各个分组中，并且将计算结果放在适当的位置上。

transform()方法返回的结果有两种，一种是可以广播的标量值（np.mean），另一种可以是与分组大小相同的结果数组。

4.2 数据应用

apply()方法的使用是十分灵活的，它可以在许多标准用例中替代聚合和转换，另外还可以处理一些比较特殊的用例。

apply(func, axis=0, broadcast=None, raw=False, reduce=None,result_type=None, args=(), **kwds)

• func：表示应用于某一行或某一列的函数。
• axis：表示函数 *** 作的轴向。
• broadcast：表示是否将数据进行广播。

5. 总结

主要针对Pandas的分组聚合和其它组内运算进行了介绍，包括分组与聚合的原理、分组 *** 作、聚合 *** 作，以及其它分组级的相关 *** 作，最后介绍了一个分析运动员基本信息的案例，真实地演示如何运用这些知识。