Pands分组统计函数

利用Python的pandas库进行数据分组分析十分便捷，其中应用最多的方法包括：groupby、pivot_table及crosstab，以下分别进行介绍。

0、样例数据

[python]  view plain  copy

1. df = DataFrame({'key1':['a','a','b','b','a'],'key2':['one','two','one','two','one'],'data1':np.random.randn(5),'data2':np.random.randn(5)})  
2. df  
3. #[Out]#       data1     data2 key1 key2  
4. #[Out]# 0  0.439801  1.582861    a  one  
5. #[Out]# 1 -1.388267 -0.603653    a  two  
6. #[Out]# 2 -0.514400 -0.826736    b  one  
7. #[Out]# 3 -1.487224 -0.192404    b  two  
8. #[Out]# 4  2.169966  0.074715    a  one  

1、分组groupby 

Pandas中最为常用和有效的分组函数。

1）按列分组

注意以下使用groupby()函数生成的group1是一个中间分组变量，为GroupBy类型。

[python]  view plain  copy

1. group1 = df.groupby('key1')  
2. group1  
3. #[Out]# <pandas.core.groupby.DataFrameGroupBy object at 0x0000000009CA5780>  

既可依据单个列名’key1’进行为分组，也可依据多个列名['key1','key2']进行分组。

[python]  view plain  copy

1. group2 = df.groupby(['key1','key2'])  
2. group2  
3. #[Out]# <pandas.core.groupby.DataFrameGroupBy object at 0x0000000009CB4128>  

使用推导式[x for x in group1]可显示分组内容。

[python]  view plain  copy

1. [x for x in group1]  
2. #[Out]# [('a',       data1     data2 key1 key2  
3. #[Out]#   0  0.439801  1.582861    a  one  
4. #[Out]#   1 -1.388267 -0.603653    a  two  
5. #[Out]#   4  2.169966  0.074715    a  one),   
6. #[Out]#  ('b',       data1     data2 key1 key2  
7. #[Out]#   2 -0.514400 -0.826736    b  one  
8. #[Out]#   3 -1.487224 -0.192404    b  two)]  

2）按分组统计

在分组group1、group2上应用size()、sum()、count()等统计函数，能分别统计分组数量、不同列的分组和、不同列的分组数量。

[python]  view plain  copy

1. group1.size()  
2. #[Out]# key1  
3. #[Out]# a    3  
4. #[Out]# b    2  
5. #[Out]# dtype: int64  
6. group1.sum()  
7. #[Out]#          data1     data2  
8. #[Out]# key1                      
9. #[Out]# a     1.221499  1.053922  
10. #[Out]# b    -2.001624 -1.019140  
11. group2.size()  
12. #[Out]# key1  key2  
13. #[Out]# a     one     2  
14. #[Out]#       two     1  
15. #[Out]# b     one     1  
16. #[Out]#       two     1  
17. #[Out]# dtype: int64  
18. group2.count()  
19. #[Out]#            data1  data2  
20. #[Out]# key1 key2                
21. #[Out]# a    one       2      2  
22. #[Out]#      two       1      1  
23. #[Out]# b    one       1      1  
24. #[Out]#      two       1      1  

3）应用agg()

对于分组的某一列或者多个列，应用agg(func)可以对分组后的数据应用func函数。例如：用group1['data1'].agg('mean')对分组后的’data1’列求均值。当然也可以推广到同时作用于多个列和使用多个函数上。

[python]  view plain  copy

1. group1['data1'].agg('mean')  
2. #[Out]# key1  
3. #[Out]# a    0.407166  
4. #[Out]# b   -1.000812  
5. #[Out]# Name: data1, dtype: float64  
6. group1['data1'].agg(['mean','sum'])  
7. #[Out]#           mean       sum  
8. #[Out]# key1                      
9. #[Out]# a     0.407166  1.221499  
10. #[Out]# b    -1.000812 -2.001624  
11. group1['data1','data2'].agg(['mean','sum'])  
12. #[Out]#          data1               data2            
13. #[Out]#           mean       sum      mean       sum  
14. #[Out]# key1                                          
15. #[Out]# a     0.407166  1.221499  0.351307  1.053922  
16. #[Out]# b    -1.000812 -2.001624 -0.509570 -1.019140  

4）应用apply()

apply()不同于agg()的地方在于：前者应用于dataframe的各个列，后者仅作用于指定的列。

[python]  view plain  copy

1. df.groupby('key1').apply(mean)  
2. #[Out]#          data1     data2  
3. #[Out]# key1                      
4. #[Out]# a     0.407166  0.351307  
5. #[Out]# b    -1.000812 -0.509570  
6. df.groupby(['key1','key2']).apply(mean)  
7. #[Out]#               data1     data2  
8. #[Out]# key1 key2                      
9. #[Out]# a    one   1.304883  0.828788  
10. #[Out]#      two  -1.388267 -0.603653  
11. #[Out]# b    one  -0.514400 -0.826736  
12. #[Out]#      two  -1.487224 -0.192404  

2、透视表pivot_table 

可以产生类似于excel数据透视表的结果，相当的直观。

1）分组统计

其中参数index指定“行”键，columns指定“列”键。

[python]  view plain  copy

1. df  
2. #[Out]#       data1     data2 key1 key2  
3. #[Out]# 0  0.439801  1.582861    a  one  
4. #[Out]# 1 -1.388267 -0.603653    a  two  
5. #[Out]# 2 -0.514400 -0.826736    b  one  
6. #[Out]# 3 -1.487224 -0.192404    b  two  
7. #[Out]# 4  2.169966  0.074715    a  one  
8. pd.pivot_table(df, index='key1', columns='key2')  
9. #[Out]#          data1               data2            
10. #[Out]# key2       one       two       one       two  
11. #[Out]# key1                                          
12. #[Out]# a     1.304883 -1.388267  0.828788 -0.603653  
13. #[Out]# b    -0.514400 -1.487224 -0.826736 -0.192404  
14. df.pivot_table(['data1'], index='key1',columns='key2')  
15. #[Out]#          data1            
16. #[Out]# key2       one       two  
17. #[Out]# key1                      
18. #[Out]# a     1.304883 -1.388267  
19. #[Out]# b    -0.514400 -1.487224  

2）分项汇总

如果将参数margins设置为True，则可以得到分项总计数据。

[python]  view plain  copy

1. df.pivot_table(index='key1',columns='key2', margins=True)  
2. #[Out]#          data1                         data2                      
3. #[Out]# key2       one       two       All       one       two       All  
4. #[Out]# key1                                                              
5. #[Out]# a     1.304883 -1.388267  0.407166  0.828788 -0.603653  0.351307  
6. #[Out]# b    -0.514400 -1.487224 -1.000812 -0.826736 -0.192404 -0.509570  
7. #[Out]# All   0.698455 -1.437746 -0.156025  0.276947 -0.398029  0.006956  

3、交叉表crosstab 

可以按照指定的行和列统计分组频数，用起来非常方便；当然同样的功能也可采用groupby实现。

[python]  view plain  copy

1. pd.crosstab(df.key1,df.key2, margins=True)  
2. #[Out]# key2  one  two  All  
3. #[Out]# key1                 
4. #[Out]# a       2    1    3  
5. #[Out]# b       1    1    2  
6. #[Out]# All     3    2    5  

很幸运能够有这么多好用的方法，大大简化了数据分组分析的过程。