pandas 第四章分组

最新推荐文章于 2023-03-13 15:13:11 发布

qq_41133851

最新推荐文章于 2023-03-13 15:13:11 发布

阅读量263

点赞数

文章标签： python

本文链接：https://blog.csdn.net/qq_41133851/article/details/115006323

版权

第四章分组

import numpy as np
import pandas as pd

一、分组模式及其对象

1. 分组的一般模式

分组操作在日常生活中使用极其广泛，例如：

依据 $\color{#FF0000}{性别}$ 分组，统计全国人口 $\color{#00FF00}{寿命}$ 的 $\color{#0000FF}{平均值}$
依据 $\color{#FF0000}{季节}$ 分组，对每一个季节的 $\color{#00FF00}{温度}$ 进行 $\color{#0000FF}{组内标准化}$
依据 $\color{#FF0000}{班级}$ 筛选出组内 $\color{#00FF00}{数学分数}$ 的 $\color{#0000FF}{平均值超过80分的班级}$

从上述的几个例子中不难看出，想要实现分组操作，必须明确三个要素： $\color{#FF0000}{分组依据}$ 、 $\color{#00FF00}{数据来源}$ 、 $\color{#0000FF}{操作及其返回结果}$ 。同时从充分性的角度来说，如果明确了这三方面，就能确定一个分组操作，从而分组代码的一般模式即：

df.groupby(分组依据)[数据来源].使用操作

例如第一个例子中的代码就应该如下：

df.groupby('Gender')['Longevity'].mean()

现在返回到学生体测的数据集上，如果想要按照性别统计身高中位数，就可以如下写出：

df = pd.read_csv('../data/learn_pandas.csv')
df.groupby('Gender')['Height'].median()

Gender
Female    159.6
Male      173.4
Name: Height, dtype: float64

2. 分组依据的本质

前面提到的若干例子都是以单一维度进行分组的，比如根据性别，如果现在需要根据多个维度进行分组，该如何做？事实上，只需在groupby中传入相应列名构成的列表即可。例如，现希望根据学校和性别进行分组，统计身高的均值就可以如下写出：

df.groupby(['School', 'Gender'])['Height'].mean()

School                         Gender
Fudan University               Female    158.776923
                               Male      174.212500
Peking University              Female    158.666667
                               Male      172.030000
Shanghai Jiao Tong University  Female    159.122500
                               Male      176.760000
Tsinghua University            Female    159.753333
                               Male      171.638889
Name: Height, dtype: float64

目前为止，groupby的分组依据都是直接可以从列中按照名字获取的，那如果希望通过一定的复杂逻辑来分组，例如根据学生体重是否超过总体均值来分组，同样还是计算身高的均值。

首先应该先写出分组条件：

condition = df.Weight > df.Weight.mean()

然后将其传入groupby中：

df.groupby(condition)['Height'].mean()

Weight
False    159.034646
True     172.705357
Name: Height, dtype: float64

【练一练】

请根据上下四分位数分割，将体重分为high、normal、low三组，统计身高的均值。

【END】

def func(x):
    if x > df['Height'].quantile(0.75):
        res = 'high'
    elif x < df['Height'].quantile(0.25):
        res = 'low'
    else:
        res = 'normal'
    return res
condition1 = df['Height'].apply(func)
df.groupby(condition1)['Height'].mean()

Height
high      175.034783
low       153.580435
normal    162.116484
Name: Height, dtype: float64

从索引可以看出，其实最后产生的结果就是按照条件列表中元素的值（此处是True和False）来分组，下面用随机传入字母序列来验证这一想法：

item = np.random.choice(list('abc'), df.shape[0])
df.groupby(item)['Height'].mean()

a    163.038462
b    162.100000
c    164.575862
Name: Height, dtype: float64

此处的索引就是原先item中的元素，如果传入多个序列进入groupby，那么最后分组的依据就是这两个序列对应行的唯一组合：

df.groupby([condition, item])['Height'].mean()

Weight   
False   a    157.876744
        b    158.923404
        c    160.521622
True    a    173.127273
        b    173.584615
        c    171.719048
Name: Height, dtype: float64

由此可以看出，之前传入列名只是一种简便的记号，事实上等价于传入的是一个或多个列，最后分组的依据来自于数据来源组合的unique值，通过drop_duplicates就能知道具体的组类别：

df[['School', 'Gender']].drop_duplicates()

	School	Gender
0	Shanghai Jiao Tong University	Female
1	Peking University	Male
2	Shanghai Jiao Tong University	Male
3	Fudan University	Female
4	Fudan University	Male
5	Tsinghua University	Female
9	Peking University	Female
16	Tsinghua University	Male

df.groupby([df['School'], df['Gender']])['Height'].mean()

School                         Gender
Fudan University               Female    158.776923
                               Male      174.212500
Peking University              Female    158.666667
                               Male      172.030000
Shanghai Jiao Tong University  Female    159.122500
                               Male      176.760000
Tsinghua University            Female    159.753333
                               Male      171.638889
Name: Height, dtype: float64

df.groupby(['School','Gender'])['Height'].mean()

School                         Gender
Fudan University               Female    158.776923
                               Male      174.212500
Peking University              Female    158.666667
                               Male      172.030000
Shanghai Jiao Tong University  Female    159.122500
                               Male      176.760000
Tsinghua University            Female    159.753333
                               Male      171.638889
Name: Height, dtype: float64

3. Groupby对象

能够注意到，最终具体做分组操作时，所调用的方法都来自于pandas中的groupby对象，这个对象上定义了许多方法，也具有一些方便的属性。

gb = df.groupby(['School', 'Grade'])
gb

<pandas.core.groupby.generic.DataFrameGroupBy object at 0x000001F65AC751C8>

通过ngroups属性，可以得到分组个数：

gb.ngroups #分组个数

通过groups属性，可以返回从 $\color{#FF0000}{组名}$ 映射到 $\color{#FF0000}{组索引列表}$ 的字典：

res = gb.groups # 得到的是字典
res.keys() # 字典的值由于是索引，元素个数过多，此处只展示字典的键

dict_keys([('Fudan University', 'Freshman'), ('Fudan University', 'Junior'), ('Fudan University', 'Senior'), ('Fudan University', 'Sophomore'), ('Peking University', 'Freshman'), ('Peking University', 'Junior'), ('Peking University', 'Senior'), ('Peking University', 'Sophomore'), ('Shanghai Jiao Tong University', 'Freshman'), ('Shanghai Jiao Tong University', 'Junior'), ('Shanghai Jiao Tong University', 'Senior'), ('Shanghai Jiao Tong University', 'Sophomore'), ('Tsinghua University', 'Freshman'), ('Tsinghua University', 'Junior'), ('Tsinghua University', 'Senior'), ('Tsinghua University', 'Sophomore')])

【练一练】

上一小节介绍了可以通过drop_duplicates得到具体的组类别，现请用groups属性完成类似的功能。

【END】

df.groupby(["School","Gender"]).groups.keys()

dict_keys([('Fudan University', 'Female'), ('Fudan University', 'Male'), ('Peking University', 'Female'), ('Peking University', 'Male'), ('Shanghai Jiao Tong University', 'Female'), ('Shanghai Jiao Tong University', 'Male'), ('Tsinghua University', 'Female'), ('Tsinghua University', 'Male')])

当size作为DataFrame的属性时，返回的是表长乘以表宽的大小，但在groupby对象上表示统计每个组的元素个数：

gb.size()

School                         Grade    
Fudan University               Freshman      9
                               Junior       12
                               Senior       11
                               Sophomore     8
Peking University              Freshman     13
                               Junior        8
                               Senior        8
                               Sophomore     5
Shanghai Jiao Tong University  Freshman     13
                               Junior       17
                               Senior       22
                               Sophomore     5
Tsinghua University            Freshman     17
                               Junior       22
                               Senior       14
                               Sophomore    16
dtype: int64

通过get_group方法可以直接获取所在组对应的行，此时必须知道组的具体名字：

gb.get_group(('Fudan University', 'Freshman'))

	School	Grade	Name	Gender	Height	Weight	Transfer	Test_Number	Test_Date	Time_Record
15	Fudan University	Freshman	Changqiang Yang	Female	156.0	49.0	N	3	2020/1/1	0:05:25
28	Fudan University	Freshman	Gaoqiang Qin	Female	170.2	63.0	N	2	2020/1/7	0:05:24
63	Fudan University	Freshman	Gaofeng Zhao	Female	152.2	43.0	N	2	2019/10/31	0:04:00
70	Fudan University	Freshman	Yanquan Wang	Female	163.5	55.0	N	1	2019/11/19	0:04:07
73	Fudan University	Freshman	Feng Wang	Male	176.3	74.0	N	1	2019/9/26	0:03:31
105	Fudan University	Freshman	Qiang Shi	Female	164.5	52.0	N	1	2019/12/11	0:04:23
108	Fudan University	Freshman	Yanqiang Xu	Female	152.4	38.0	N	1	2019/12/8	0:05:03
157	Fudan University	Freshman	Xiaoli Lv	Female	152.5	45.0	N	2	2019/9/11	0:04:17
186	Fudan University	Freshman	Yanjuan Zhao	Female	NaN	53.0	N	2	2019/10/9	0:04:21

这里列出了2个属性和2个方法，而先前的mean、median都是groupby对象上的方法，这些函数和许多其他函数的操作具有高度相似性，将在之后的小节进行专门介绍。

4. 分组的三大操作

熟悉了一些分组的基本知识后，重新回到开头举的三个例子，可能会发现一些端倪，即这三种类型分组返回的数据型态并不一样：

第一个例子中，每一个组返回一个标量值，可以是平均值、中位数、组容量size等
第二个例子中，做了原序列的标准化处理，也就是说每组返回的是一个Series类型
第三个例子中，既不是标量也不是序列，返回的整个组所在行的本身，即返回了DataFrame类型

由此，引申出分组的三大操作：聚合、变换和过滤，分别对应了三个例子的操作，下面就要分别介绍相应的agg、transform和filter函数及其操作。

二、聚合函数

1. 内置聚合函数

在介绍agg之前，首先要了解一些直接定义在groupby对象的聚合函数，因为它的速度基本都会经过内部的优化，使用功能时应当优先考虑。根据返回标量值的原则，包括如下函数：max/min/mean/median/count/all/any/idxmax/idxmin/mad/nunique/skew/quantile/sum/std/var/sem/size/prod。

gb = df.groupby('Gender')['Height']
gb.idxmin() # 获取最小值索引

Gender
Female    143
Male      199
Name: Height, dtype: int64

gb.quantile(0.95) # 分位数

Gender
Female    166.8
Male      185.9
Name: Height, dtype: float64

【练一练】

请查阅文档，明确all/any/mad/skew/sem/prod函数的含义。

【END】

any(): Return True if any value in the group is truthful, else False。大概意思是如果组内有truthful的值就返回True
all():Return True if all values in the group are truthful, else False.组内所有元素都是truthful，返回True。
mad()：返回组内元素的绝对中位差。先计算出数据与它们的中位数之间的残差，MAD就是这些偏差的绝对值的平均值。MAD比方差鲁棒性更好。
skew()：组内数据的偏度。
sem()：组内数据的均值标准误差。
prod() ：组内所有元素的乘积。

df_test = pd.DataFrame({"fenzu1":["a","a","a","b","b","b","c","c","c"],
                       "shuju":[1,2,3,0,0,0,0,1,2]
                       })

df_test.groupby("fenzu1")["shuju"].any()

fenzu1
a     True
b    False
c     True
Name: shuju, dtype: bool

df_test.groupby("fenzu1")["shuju"].all()

fenzu1
a     True
b    False
c    False
Name: shuju, dtype: bool

mad: 返回所请求轴的值的平均绝对偏差。 DataFrame.mad(axis=None, skipna=None,
level=None) skipna=None 计算结果时排除NA / null值

df_test.groupby("fenzu1")["shuju"].mad()

fenzu1
a    0.666667
b    0.000000
c    0.666667
Name: shuju, dtype: float64

skew: 在请求的轴上返回偏斜。
参考：https://blog.csdn.net/u010665216/article/details/78591288

df_test.groupby("fenzu1")["shuju"].skew()

fenzu1
a    0.0
b    0.0
c    0.0
Name: shuju, dtype: float64

sem:返回要求轴上的平均值（由N-1归一化）的无偏标准误差。样本均值/sqrt(N)

df_test.groupby("fenzu1")["shuju"].sem()

fenzu1
a    0.57735
b    0.00000
c    0.57735
Name: shuju, dtype: float64

np.sqrt(1/3)

0.5773502691896257

df_test.groupby("fenzu1")["shuju"].prod() # 累乘

fenzu1
a    6
b    0
c    0
Name: shuju, dtype: int64

这些聚合函数当传入的数据来源包含多个列时，将按照列进行迭代计算：

gb = df.groupby('Gender')[['Height', 'Weight']]
gb.max()

	Height	Weight
Gender
Female	170.2	63.0
Male	193.9	89.0

2. agg方法

虽然在groupby对象上定义了许多方便的函数，但仍然有以下不便之处：

无法同时使用多个函数
无法对特定的列使用特定的聚合函数
无法使用自定义的聚合函数
无法直接对结果的列名在聚合前进行自定义命名

下面说明如何通过agg函数解决这四类问题：

【a】使用多个函数

当使用多个聚合函数时，需要用列表的形式把内置聚合函数对应的字符串传入，先前提到的所有字符串都是合法的。

gb.agg(['sum', 'idxmax', 'skew'])

	Height			Weight
	sum	idxmax	skew	sum	idxmax	skew
Gender
Female	21014.0	28	-0.219253	6469.0	28	-0.268482
Male	8854.9	193	0.437535	3929.0	2	-0.332393

从结果看，此时的列索引为多级索引，第一层为数据源，第二层为使用的聚合方法，分别逐一对列使用聚合，因此结果为6列。

【b】对特定的列使用特定的聚合函数

对于方法和列的特殊对应，可以通过构造字典传入agg中实现，其中字典以列名为键，以聚合字符串或字符串列表为值。

gb.agg({'Height':['mean','max'], 'Weight':'count'})

	Height		Weight
	mean	max	count
Gender
Female	159.19697	170.2	135
Male	173.62549	193.9	54

【练一练】

请使用【b】中的传入字典的方法完成【a】中等价的聚合任务。

【END】

gb.agg({"Height":["sum","idxmax","skew"],
       "Weight":["sum","idxmax","skew"]})

	Height			Weight
	sum	idxmax	skew	sum	idxmax	skew
Gender
Female	21014.0	28	-0.219253	6469.0	28	-0.268482
Male	8854.9	193	0.437535	3929.0	2	-0.332393

【c】使用自定义函数

在agg中可以使用具体的自定义函数， $\color{#FF0000}{需要注意传入函数的参数是之前数据源中的列，逐列进行计算}$ 。下面分组计算身高和体重的极差：

gb.agg(lambda x: x.mean()-x.min())

	Height	Weight
Gender
Female	13.79697	13.918519
Male	17.92549	21.759259

【练一练】

在groupby对象中可以使用describe方法进行统计信息汇总，请同时使用多个聚合函数，完成与该方法相同的功能。

【END】

gb.describe()

	Height								Weight
	count	mean	std	min	25%	50%	75%	max	count	mean	std	min	25%	50%	75%	max
Gender
Female	132.0	159.19697	5.053982	145.4	155.675	159.6	162.825	170.2	135.0	47.918519	5.405983	34.0	44.0	48.0	52.00	63.0
Male	51.0	173.62549	7.048485	155.7	168.900	173.4	177.150	193.9	54.0	72.759259	7.772557	51.0	69.0	73.0	78.75	89.0

def q1(x):
    return x.quantile(0.25)
def q2(x):
    return x.quantile(0.75)
gb.agg(["count","mean","std","min",("25%",q1),("50%","quantile"),("75%",q2),"max"])

	Height								Weight
	count	mean	std	min	25%	50%	75%	max	count	mean	std	min	25%	50%	75%	max
Gender
Female	132	159.19697	5.053982	145.4	155.675	159.6	162.825	170.2	135	47.918519	5.405983	34.0	44.0	48.0	52.00	63.0
Male	51	173.62549	7.048485	155.7	168.900	173.4	177.150	193.9	54	72.759259	7.772557	51.0	69.0	73.0	78.75	89.0

由于传入的是序列series，因此序列上的方法和属性都是可以在函数中使用的，只需保证返回值是标量即可。下面的例子是指，如果组的指标均值，超过该指标的总体均值，返回High，否则返回Low。

def my_func(s):
    res = 'High'
    if s.mean() <= df[s.name].mean():
        res = 'Low'
    return res
gb.agg(my_func)

	Height	Weight
Gender
Female	Low	Low
Male	High	High

【d】聚合结果重命名

如果想要对聚合结果的列名进行重命名，只需要将上述函数的位置改写成元组，元组的第一个元素为新的名字，第二个位置为原来的函数，包括聚合字符串和自定义函数，现举若干例子说明：

gb.agg([('range', lambda x: x.max()-x.min()), ('my_sum', 'sum')])

	Height		Weight
	range	my_sum	range	my_sum
Gender
Female	24.8	21014.0	29.0	6469.0
Male	38.2	8854.9	38.0	3929.0

gb.agg({'Height': [('my_func', my_func), 'sum'], 'Weight': lambda x:x.max()})

	Height		Weight
	my_func	sum	<lambda>
Gender
Female	Low	21014.0	63.0
Male	High	8854.9	89.0

另外需要注意，使用对一个或者多个列使用单个聚合的时候，重命名需要加方括号，否则就不知道是新的名字还是手误输错的内置函数字符串：

gb.agg([('my_sum', 'sum')])

	Height	Weight
	my_sum	my_sum
Gender
Female	21014.0	6469.0
Male	8854.9	3929.0

gb.agg({'Height': [('my_func', my_func), 'sum'], 'Weight': [('range', lambda x:x.max())]})

	Height		Weight
	my_func	sum	range
Gender
Female	Low	21014.0	63.0
Male	High	8854.9	89.0

三、变换和过滤

1. 变换函数与transform方法

变换函数的返回值为同长度的序列，最常用的内置变换函数是累计函数：cumcount/cumsum/cumprod/cummax/cummin，它们的使用方式和聚合函数类似，只不过完成的是组内累计操作。此外在groupby对象上还定义了填充类和滑窗类的变换函数，这些函数的一般形式将会分别在第七章和第十章中讨论，此处略过。

gb.cummax().head()

	Height	Weight
0	158.9	46.0
1	166.5	70.0
2	188.9	89.0
3	NaN	46.0
4	188.9	89.0

【练一练】

在groupby对象中，rank方法也是一个实用的变换函数，请查阅它的功能并给出一个使用的例子。

【END】

功能：沿轴计算数值数据等级（1到n）。默认情况下，为相等的值分配一个等级，该等级是这些值的等级的平均值。

df1 = df.copy()
df1["rank"] = df1.groupby('Gender')["Height"].rank(method = "first",ascending = False)
df1.sort_values(by = ["Gender","rank"]).head(5)

	School	Grade	Name	Gender	Height	Weight	Transfer	Test_Number	Test_Date	Time_Record	rank
28	Fudan University	Freshman	Gaoqiang Qin	Female	170.2	63.0	N	2	2020/1/7	0:05:24	1.0
75	Peking University	Junior	Qiang You	Female	170.0	56.0	N	3	2019/12/31	0:04:27	2.0
55	Tsinghua University	Sophomore	Chengquan Zhang	Female	168.9	54.0	N	1	2019/12/7	0:04:29	3.0
146	Tsinghua University	Freshman	Juan Zhang	Female	168.6	55.0	N	1	2019/9/30	0:05:06	4.0
64	Shanghai Jiao Tong University	Junior	Yanmei Yang	Female	167.7	57.0	N	2	2019/12/16	0:03:37	5.0

当用自定义变换时需要使用transform方法，被调用的自定义函数， $\color{#FF0000}{其传入值为数据源的序列}$ ，与agg的传入类型是一致的，其最后的返回结果是行列索引与数据源一致的DataFrame。

现对身高和体重进行分组标准化，即减去组均值后除以组的标准差：

gb.size()

Gender
Female    141
Male       59
dtype: int64

df1 = df.copy()
df1[["biaozhunhuashengao","biaozhunhuatizhong"]] = df1.groupby("Gender")[["Height","Weight"]].transform(lambda x: (x-x.mean())/x.std())
df1["Height_mean"] = df1.groupby("Gender")["Height"].transform("mean")

df1.sort_values(by="Gender")

	School	Grade	Name	Gender	Height	Weight	Transfer	Test_Number	Test_Date	Time_Record	biaozhunhuashengao	biaozhunhuatizhong	Height_mean
0	Shanghai Jiao Tong University	Freshman	Gaopeng Yang	Female	158.9	46.0	N	1	2019/10/5	0:04:34	-0.058760	-0.354888	159.19697
97	Tsinghua University	Sophomore	Xiaoqiang Qin	Female	160.8	54.0	N	1	2019/12/6	0:05:26	0.317182	1.124954	159.19697
167	Shanghai Jiao Tong University	Sophomore	Xiaoqiang Feng	Female	157.0	43.0	N	2	2019/11/30	0:03:45	-0.434701	-0.909829	159.19697
166	Shanghai Jiao Tong University	Senior	Xiaopeng Qian	Female	154.3	46.0	N	3	2019/12/28	0:04:02	-0.968933	-0.354888	159.19697
100	Tsinghua University	Senior	Xiaofeng Shi	Female	164.4	55.0	N	1	2019/11/19	0:03:33	1.029491	1.309934	159.19697
...	...	...	...	...	...	...	...	...	...	...	...	...	...
74	Tsinghua University	Sophomore	Yanli Qin	Male	169.4	74.0	Y	1	2019/9/3	0:03:32	-0.599489	0.159631	173.62549
73	Fudan University	Freshman	Feng Wang	Male	176.3	74.0	N	1	2019/9/26	0:03:31	0.379445	0.159631	173.62549
72	Peking University	Junior	Gaoquan Zhou	Male	166.8	70.0	N	2	2019/9/5	0:04:24	-0.968363	-0.355000	173.62549
153	Shanghai Jiao Tong University	Freshman	Changmei Lv	Male	172.2	75.0	N	1	2019/10/6	0:04:15	-0.202241	0.288289	173.62549
199	Tsinghua University	Sophomore	Chunpeng Lv	Male	155.7	51.0	N	1	2019/11/6	0:05:05	-2.543169	-2.799498	173.62549

200 rows × 13 columns

【练一练】

对于transform方法无法像agg一样，通过传入字典来对指定列使用特定的变换，如果需要在一次transform的调用中实现这种功能，请给出解决方案。

【END】

gb.agg({"Height":"mean","Weight":"max"})

	Height	Weight
Gender
Female	159.19697	63.0
Male	173.62549	89.0

gb.transform(lambda x :np.mean(x) if x.name == "Height" else max(x))

	Height	Weight
0	159.19697	63.0
1	173.62549	89.0
2	173.62549	89.0
3	159.19697	63.0
4	173.62549	89.0
...	...	...
195	159.19697	63.0
196	159.19697	63.0
197	159.19697	63.0
198	173.62549	89.0
199	173.62549	89.0

200 rows × 2 columns

前面提到了transform只能返回同长度的序列，但事实上还可以返回一个标量，这会使得结果被广播到其所在的整个组，这种 $\color{#FF0000}{标量广播}$ 的技巧在特征工程中是非常常见的。例如，构造两列新特征来分别表示样本所在性别组的身高均值和体重均值：

gb.transform('mean').head() # 传入返回标量的函数也是可以的

	Height	Weight
0	159.19697	47.918519
1	173.62549	72.759259
2	173.62549	72.759259
3	159.19697	47.918519
4	173.62549	72.759259

2. 组索引与过滤

在上一章中介绍了索引的用法，那么索引和过滤有什么区别呢？

过滤在分组中是对于组的过滤，而索引是对于行的过滤，在第二章中的返回值，无论是布尔列表还是元素列表或者位置列表，本质上都是对于行的筛选，即如果符合筛选条件的则选入结果表，否则不选入。

组过滤作为行过滤的推广，指的是如果对一个组的全体所在行进行统计的结果返回True则会被保留，False则该组会被过滤，最后把所有未被过滤的组其对应的所在行拼接起来作为DataFrame返回。

在groupby对象中，定义了filter方法进行组的筛选，其中自定义函数的输入参数为数据源构成的DataFrame本身，在之前例子中定义的groupby对象中，传入的就是df[['Height', 'Weight']]，因此所有表方法和属性都可以在自定义函数中相应地使用，同时只需保证自定义函数的返回为布尔值即可。

例如，在原表中通过过滤得到所有容量大于100的组：

gb.filter(lambda x: x.shape[0] > 100).head()

	Height	Weight
0	158.9	46.0
3	NaN	41.0
5	158.0	51.0
6	162.5	52.0
7	161.9	50.0

【练一练】

从概念上说，索引功能是组过滤功能的子集，请使用filter函数完成loc[...]的功能，这里假设"..."是元素列表。

【END】

四、跨列分组

1. apply的引入

之前几节介绍了三大分组操作，但事实上还有一种常见的分组场景，无法用前面介绍的任何一种方法处理，例如现在如下定义身体质量指数BMI：
${\rm BMI} = {\rm\frac{Weight}{Height^2}}$
其中体重和身高的单位分别为千克和米，需要分组计算组BMI的均值。

首先，这显然不是过滤操作，因此filter不符合要求；其次，返回的均值是标量而不是序列，因此transform不符合要求；最后，似乎使用agg函数能够处理，但是之前强调过聚合函数是逐列处理的，而不能够 $\color{#FF0000}{多列数据同时处理}$ 。由此，引出了apply函数来解决这一问题。

2. apply的使用

在设计上，apply的自定义函数传入参数与filter完全一致，只不过后者只允许返回布尔值。现如下解决上述计算问题：

def BMI(x):
    Height = x['Height']/100
    Weight = x['Weight']
    BMI_value = Weight/Height**2
    return BMI_value.mean()
gb.apply(BMI)

Gender
Female    18.860930
Male      24.318654
dtype: float64

除了返回标量之外，apply方法还可以返回一维Series和二维DataFrame，但它们产生的数据框维数和多级索引的层数应当如何变化？下面举三组例子就非常容易明白结果是如何生成的：

【a】标量情况：结果得到的是 Series ，索引与 agg 的结果一致

gb = df.groupby(['Gender','Test_Number'])[['Height','Weight']]
gb.apply(lambda x: 0)

Gender  Test_Number
Female  1              0
        2              0
        3              0
Male    1              0
        2              0
        3              0
dtype: int64

gb.apply(lambda x: [0, 0]) # 虽然是列表，但是作为返回值仍然看作标量

Gender  Test_Number
Female  1              [0, 0]
        2              [0, 0]
        3              [0, 0]
Male    1              [0, 0]
        2              [0, 0]
        3              [0, 0]
dtype: object

【b】Series情况：得到的是DataFrame，行索引与标量情况一致，列索引为Series的索引

gb.apply(lambda x: pd.Series([0,0],index=['a','b']))

		a	b
Gender	Test_Number
Female	1	0	0
	2	0	0
	3	0	0
Male	1	0	0
	2	0	0
	3	0	0

【练一练】

请尝试在apply传入的自定义函数中，根据组的某些特征返回相同长度但索引不同的Series，会报错吗？

【END】

gb.describe()

		Height								Weight
		count	mean	std	min	25%	50%	75%	max	count	mean	std	min	25%	50%	75%	max
Gender	Test_Number
Female	1	63.0	159.865079	4.578602	145.4	157.100	160.30	163.050	168.9	64.0	48.421875	5.141813	34.0	44.75	49.0	52.00	57.0
	2	49.0	158.187755	5.622782	147.3	153.600	158.30	161.900	170.2	52.0	47.019231	5.879477	34.0	43.00	47.0	51.00	63.0
	3	20.0	159.565000	4.856171	150.5	155.175	160.15	163.250	170.0	19.0	48.684211	4.819551	40.0	46.00	50.0	51.50	56.0
Male	1	27.0	172.314815	6.529796	155.7	167.500	172.80	176.750	186.5	29.0	71.793103	8.226175	51.0	68.00	72.0	79.00	87.0
	2	18.0	175.705556	7.552598	166.8	169.950	175.35	178.850	193.9	18.0	74.888889	6.153802	65.0	71.00	74.5	78.75	89.0
	3	6.0	173.283333	7.493842	162.4	170.725	173.00	175.275	185.3	7.0	71.285714	9.481812	58.0	66.00	73.0	74.50	87.0

# 会报错
try:
    gb.apply(lambda x: pd.Series([0,0],index=['a','b']) if x.shape[0] > 10 else pd.Series([0,0],index=['c','b']))
except TypeError as e:
    print(e)

Series.name must be a hashable type

【c】DataFrame情况：得到的是DataFrame，行索引最内层在每个组原先agg的结果索引上，再加一层返回的DataFrame行索引，同时分组结果DataFrame的列索引和返回的DataFrame列索引一致。

gb.apply(lambda x: pd.DataFrame(np.ones((2,2)), index = ['a','b'], columns=pd.Index([('w','x'),('y','z')])))

			w	y
			x	z
Gender	Test_Number
Female	1	a	1.0	1.0
	1	b	1.0	1.0
	2	a	1.0	1.0
	2	b	1.0	1.0
	3	a	1.0	1.0
	3	b	1.0	1.0
Male	1	a	1.0	1.0
	1	b	1.0	1.0
	2	a	1.0	1.0
	2	b	1.0	1.0
	3	a	1.0	1.0
	3	b	1.0	1.0

【练一练】

请尝试在apply传入的自定义函数中，根据组的某些特征返回相同大小但列索引不同的DataFrame，会报错吗？如果只是行索引不同，会报错吗？

【END】

最后需要强调的是，apply函数的灵活性是以牺牲一定性能为代价换得的，除非需要使用跨列处理的分组处理，否则应当使用其他专门设计的groupby对象方法，否则在性能上会存在较大的差距。同时，在使用聚合函数和变换函数时，也应当优先使用内置函数，它们经过了高度的性能优化，一般而言在速度上都会快于用自定义函数来实现。

【练一练】

在groupby对象中还定义了cov和corr函数，从概念上说也属于跨列的分组处理。请利用之前定义的gb对象，使用apply函数实现与gb.cov()同样的功能并比较它们的性能。

【END】

gb.apply(lambda x:x.cov())

			Height	Weight
Gender	Test_Number
Female	1	Height	20.963600	21.452034
	1	Weight	21.452034	26.438244
	2	Height	31.615680	30.386170
	2	Weight	30.386170	34.568250
	3	Height	23.582395	20.801307
	3	Weight	20.801307	23.228070
Male	1	Height	42.638234	48.785833
	1	Weight	48.785833	67.669951
	2	Height	57.041732	38.224183
	2	Weight	38.224183	37.869281
	3	Height	56.157667	84.020000
	3	Weight	84.020000	89.904762

gb.cov()

			Height	Weight
Gender	Test_Number
Female	1	Height	20.963600	21.452034
	1	Weight	21.452034	26.438244
	2	Height	31.615680	30.386170
	2	Weight	30.386170	34.568250
	3	Height	23.582395	20.801307
	3	Weight	20.801307	23.228070
Male	1	Height	42.638234	48.785833
	1	Weight	48.785833	67.669951
	2	Height	57.041732	38.224183
	2	Weight	38.224183	37.869281
	3	Height	56.157667	84.020000
	3	Weight	84.020000	89.904762

五、练习

Ex1：汽车数据集

现有一份汽车数据集，其中Brand, Disp., HP分别代表汽车品牌、发动机蓄量、发动机输出。

df = pd.read_csv('../data/car.csv')
df.head(3)

	Brand	Price	Country	Reliability	Mileage	Type	Weight	Disp.	HP
0	Eagle Summit 4	8895	USA	4.0	33	Small	2560	97	113
1	Ford Escort 4	7402	USA	2.0	33	Small	2345	114	90
2	Ford Festiva 4	6319	Korea	4.0	37	Small	1845	81	63

先过滤出所属Country数超过2个的汽车，即若该汽车的Country在总体数据集中出现次数不超过2则剔除，再按Country分组计算价格均值、价格变异系数、该Country的汽车数量，其中变异系数的计算方法是标准差除以均值，并在结果中把变异系数重命名为CoV。
按照表中位置的前三分之一、中间三分之一和后三分之一分组，统计Price的均值。
对类型Type分组，对Price和HP分别计算最大值和最小值，结果会产生多级索引，请用下划线把多级列索引合并为单层索引。
对类型Type分组，对HP进行组内的min-max归一化。
对类型Type分组，计算Disp.与HP的相关系数。

# 1
df.groupby("Country").filter(lambda x:x.shape[0] > 2).groupby("Country")["Price"].agg([("CoV",lambda x:x.std()/x.mean()),"mean","count"])

	CoV	mean	count
Country
Japan	0.387429	13938.052632	19
Japan/USA	0.240040	10067.571429	7
Korea	0.243435	7857.333333	3
USA	0.203344	12543.269231	26

# 2
df.shape

(60, 9)

condition = ["1"]*20+["2"]*20+["3"]*20
df.groupby(condition)["Price"].mean()

1     9069.95
2    13356.40
3    15420.65
Name: Price, dtype: float64

# 3
gb = df.groupby("Type").agg({'Price': ['max'], 'HP': ['min']})
col = [idx[0] + "_" + idx[1] for idx in gb.columns]
gb.columns = col
gb

	Price_max	HP_min
Type
Compact	18900	95
Large	17257	150
Medium	24760	110
Small	9995	63
Sporty	13945	92
Van	15395	106

# 4
df.groupby("Type")["HP"].apply(lambda x : (x - x.min())/(x.max() - x.min())).head()

0    1.00
1    0.54
2    0.00
3    0.58
4    0.80
Name: HP, dtype: float64

df.groupby("Type")[["Disp.","HP"]].cov()

		Disp.	HP
Type
Compact	Disp.	386.542857	174.057143
Compact	HP	174.057143	228.171429
Large	Disp.	1754.333333	-105.833333
Large	HP	-105.833333	108.333333
Medium	Disp.	593.141026	209.596154
Medium	HP	209.596154	539.576923
Small	Disp.	147.064103	103.512821
Small	HP	103.512821	199.769231
Sporty	Disp.	6576.861111	3072.958333
Sporty	HP	3072.958333	1890.750000
Van	Disp.	552.285714	400.452381
Van	HP	400.452381	431.952381

Ex2：实现transform函数

groupby对象的构造方法是my_groupby(df, group_cols)
支持单列分组与多列分组
支持带有标量广播的my_groupby(df)[col].transform(my_func)功能
pandas的transform不能跨列计算，请支持此功能，即仍返回Series但col参数为多列
无需考虑性能与异常处理，只需实现上述功能，在给出测试样例的同时与pandas中的transform对比结果是否一致

df = pd.DataFrame({"a":[0,1,2,3,4,5],
                  "b":[1,2,3,0,5,5],
                  "c":[0,0,1,1,2,2]})
df

	a	b	c
0	0	1	0
1	1	2	0
2	2	3	1
3	3	0	1
4	4	5	2
5	5	5	2

df.groupby("c")

<pandas.core.groupby.generic.DataFrameGroupBy object at 0x000001F65AA3BF48>

class my_groupby:
    def __init__(self, my_df, group_cols):
        self.my_df = my_df.copy()
        self.groups = my_df[group_cols].drop_duplicates()
        if isinstance(self.groups, pd.Series):
            self.groups = self.groups.to_frame()
        self.group_cols = self.groups.columns.tolist()
        self.groups = {i: self.groups[i].values.tolist() for i in self.groups.columns}
        self.transform_col = None
    def __getitem__(self, col):
        self.pr_col = [col] if isinstance(col, str) else list(col)
        return self
    def transform(self, my_func):
        self.num = len(self.groups[self.group_cols[0]])
        L_order, L_value = np.array([]), np.array([])
        for i in range(self.num):
            group_df = self.my_df.reset_index().copy()
            for col in self.group_cols:
                group_df = group_df[group_df[col]==self.groups[col][i]]
            group_df = group_df[self.pr_col]
            if group_df.shape[1] == 1:
                group_df = group_df.iloc[:, 0]
            group_res = my_func(group_df)
            if not isinstance(group_res, pd.Series):
                group_res = pd.Series(group_res,index=group_df.index,name=group_df.name)
            L_order = np.r_[L_order, group_res.index]
            L_value = np.r_[L_value, group_res.values]
        self.res = pd.Series(pd.Series(L_value, index=L_order).sort_index().values,index=self.my_df.reset_index().index, name=my_func.__name__)
        return self.res

my_groupby(df,"c")

<__main__.my_groupby at 0x1f65aa552c8>

# 单列分组
df.groupby("c")["a"].transform(lambda x:x-x.mean())

0   -0.5
1    0.5
2   -0.5
3    0.5
4   -0.5
5    0.5
Name: a, dtype: float64

# 多列分组
df.groupby(["c","b"])["a"].transform(lambda x:x-x.mean())

0    0.0
1    0.0
2    0.0
3    0.0
4   -0.5
5    0.5
Name: a, dtype: float64

my_groupby(df,["c","b"])["a"].transform(lambda x:x-x.mean())

0    0.0
1    0.0
2    0.0
3    0.0
4   -0.5
5    0.5
Name: <lambda>, dtype: float64

# 标量广播
df.groupby("c")["a"].transform(lambda x:x.mean())

0    0.5
1    0.5
2    2.5
3    2.5
4    4.5
5    4.5
Name: a, dtype: float64

my_groupby(df,"c")["a"].transform(lambda x:x.mean())

0    0.5
1    0.5
2    2.5
3    2.5
4    4.5
5    4.5
Name: <lambda>, dtype: float64

my_groupby(df,"c")["a","b"].transform(lambda x:x.a*x.b)

0     0.0
1     2.0
2     6.0
3     0.0
4    20.0
5    25.0
Name: <lambda>, dtype: float64

qq_41133851

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

pandas 第四章 分组

第四章 分组

一、分组模式及其对象

1. 分组的一般模式

2. 分组依据的本质

【练一练】

【END】

3. Groupby对象

【练一练】

【END】

4. 分组的三大操作

二、聚合函数

1. 内置聚合函数

【练一练】

【END】

2. agg方法

【练一练】

【END】

【练一练】

【END】

三、变换和过滤

1. 变换函数与transform方法

【练一练】

【END】

【练一练】

【END】

2. 组索引与过滤

【练一练】

【END】

四、跨列分组

1. apply的引入

2. apply的使用

【练一练】

【END】

【练一练】

【END】

【练一练】

【END】

五、练习

Ex1：汽车数据集

Ex2：实现transform函数

pandas 第四章分组

第四章分组