一、介绍

日常数据分析中，难免需要将数据根据某个（或者多个）字段进行分组，求聚合值的操作，例如：求班级男女身高的平均值。可以通过 groupby 实现该需求。

初步认识：df.groupby('name').agg({'price':'sum'}).reset_index()

使用语法：

Series.groupby(by=None,
              axis=0,
              level=None,
              as_index=True,
              sort=True,
              group_keys=True,
              dropna=True)

二、groupby实操

1.构造测试数据集

import pandas as pd
import numpy as np

name = ['老王','吕布','孙悟空']

df = pd.DataFrame({
        'name':[name[x] for x in np.random.randint(0, len(name), 9)],
        'salary':np.random.randint(100,1000,9),
        'score':np.random.randint(6,11,9)
        })
df
'''
  name  salary  score
0  孙悟空     719      6
1   吕布     907      6
2   吕布     936      9
3   老王     974      7
4   吕布     940      7
5  孙悟空     857      6
6   老王     230      7
7   吕布     464      6
8   老王     557      9
'''

2.DataFrameGroupBy对象

• 查看分组对象

# 数据框分组对象
groupbying = df.groupby('name')
groupbying # <pandas.core.groupby.DataFrameGroupBy object at 0x00000000116A12E8>

# 查看类型
type(groupbying) # pandas.core.groupby.DataFrameGroupBy

# 查看值
list(groupbying) # 大列表 包含元组对象
list(groupbying)[0]
lvbu = list(groupbying)[0] # 元组
list(lvbu)[0]
list(lvbu)[1]

• 遍历分组对象

for name, group in groupbying:
    print(name)
    print(group)

• 选择分组 get_group()

groupbying.get_group('孙悟空')
'''
  name  salary  score
0  孙悟空     719      6
5  孙悟空     857      6
'''

• 同一个列名使用不同聚合函数 agg

df.groupby('name')['score'].agg(['sum','max','min','mean','size']).reset_index()
'''
  name  sum  max  min      mean  size
0   吕布   28    9    6  7.000000     4
1  孙悟空   12    6    6  6.000000     2
2   老王   23    9    7  7.666667     3
'''

• 不作为索引

df.groupby('name', as_index=False)['score'].sum()

df.groupby('name')['score'].sum()

三、常见聚合函数

Pandas 常用的聚合函数：

numpy 库方法同样支持，例如：

• unique 不同元素
• nunique 不同元素个数（count是所有个数，不去重）

四、agg聚合操作

聚合操作是通过 agg 来完成的，可以指定一个或者多个列分别使用不同的聚合函数来聚合。

• 对单列聚合

df.groupby('name').agg({'salary':'sum'}).reset_index()
df.groupby('name')['salary'].sum().reset_index()

• 对多列聚合

score = df.groupby('name').agg({'salary':'sum',
                                'score':'mean'}).reset_index()
score.columns = ['name', 'salary_sum', 'score_mean']
score
'''
  name  salary_sum  score_mean
0   吕布        3247    7.000000
1  孙悟空        1576    6.000000
2   老王        1761    7.666667
'''

df.groupby('name').agg({'salary':'sum', 'score':'mean'}).reset_index().rename(columns={'salary':'salary_sum', 'score':'score_mean'})

• 针对多列并重命名

# version 0.25 以后才支持这种写法
df.groupby('name').agg(
        total_score=pd.NamedAgg(column='score', aggfunc='sum'),
        min_salary=pd.NamedAgg(column='salary', aggfunc='min')
)

• 统计非重复个数

df.groupby('name').agg({'score':['unique','nunique']}).reset_index()
'''
  name      score        
           unique nunique
0   吕布  [6, 9, 7]       3
1  孙悟空        [6]       1
2   老王     [7, 9]       2
'''
# 多重索引

五、transform函数

transform 实现添加一列。

df['salary_mean'] = df.groupby('name')['salary'].transform('mean')
'''
  name  salary  score  score_mean  salary_mean
0  孙悟空     719      6    6.000000       788.00
1   吕布     907      6    7.000000       811.75
2   吕布     936      9    7.000000       811.75
3   老王     974      7    7.666667       587.00
4   吕布     940      7    7.000000       811.75
5  孙悟空     857      6    6.000000       788.00
6   老王     230      7    7.666667       587.00
7   吕布     464      6    7.000000       811.75
8   老王     557      9    7.666667       587.00
'''

如果不使用 transform 实现操作。

avg_salary = df.groupby('name')['salary'].mean().to_dict()
df['salary_mean2'] = df['name'].map(avg_salary)

• transform 是在原数据的基础上新增一列，agg 是根据分组字段和聚合函数生成新的数据框
• transform 的数据是填充到分组对象的每列上，而 agg 生成一个新的聚合结果

六、apply函数

分组之后的 apply 应用函数，是以分组后的子数据框作为参数传入指定函数的，与数据框中传入的是 Series 稍有不同。

def get_max_salary(x):
    df = x.sort_values(by='salary', ascending=True)
    return df.iloc[-1, :]

df.groupby('name', as_index=False).apply(get_max_salary)

• apply 的运行效率比 agg 和 transform 更慢。

参考链接：图解Pandas的groupby机制

参考链接：pandas.DataFrame.groupby

参考链接：Pandas教程 | 超好用的Groupby用法详解