DataWhale——Task03：分组

最新推荐文章于 2024-08-30 21:00:00 发布

Katniss的名字被占用

最新推荐文章于 2024-08-30 21:00:00 发布

阅读量158

点赞数

本文链接：https://blog.csdn.net/qq_42251120/article/details/105779608

版权

Task03：分组（2天）

理论部分

理解SAC过程和groupby机制
掌握分组三大操作：聚合、过滤和变换
熟悉 apply 函数用法

练习部分

钻石数据集分析
非法药物数据集分析

import numpy as np
import pandas as pd
df = pd.read_csv('data/table.csv',index_col='ID')
df.head()

在这里插入图片描述

一、SAC过程

内涵
SAC指的是分组操作中的split-apply-combine过程。
其中split指基于某一些规则，将数据拆成若干组，apply是指对每一组独立地使用函数，combine指将每一组的结果组合成某一类数据结构。
apply过程
在该过程中，我们实际往往会遇到四类问题：
整合（Aggregation）——即分组计算统计量（如求均值、求每组元素个数）
变换（Transformation）——即分组对每个单元的数据进行操作（如元素标准化）
过滤（Filtration）——即按照某些规则筛选出一些组（如选出组内某一指标小于50的组）
综合问题——即前面提及的三种问题的混合。

二、groupby函数

1. 分组函数的基本内容：

（a）根据某一列分组

grouped_single = df.groupby('School')

经过groupby后会生成一个groupby对象，该对象本身不会返回任何东西，只有当相应的方法被调用才会起作用。

例如取出某一个组：

grouped_single.get_group('S_1').head()

在这里插入图片描述

（b）根据某几列分组

grouped_mul = df.groupby(['School','Class'])
grouped_mul.get_group(('S_2','C_4'))

在这里插入图片描述
（c）组容量与组数

grouped_single.size()

School
S_1 15
S_2 20
dtype: int64

grouped_mul.size()

在这里插入图片描述

grouped_single.ngroups

grouped_mul.ngroups

7
（d）组的遍历

for name,group in grouped_single:
    print(name)
    display(group.head())

在这里插入图片描述
（e）level参数（用于多级索引）和axis参数

df.set_index(['Gender','School']).groupby(level=1,axis=0).get_group('S_1').head()

在这里插入图片描述

2. groupby对象的特点

（a）查看所有可调用的方法
由此可见，groupby对象可以使用相当多的函数，灵活程度很高

print([attr for attr in dir(grouped_single) if not attr.startswith('_')])

[‘Address’, ‘Class’, ‘Gender’, ‘Height’, ‘Math’, ‘Physics’, ‘School’, ‘Weight’, ‘agg’, ‘aggregate’, ‘all’, ‘any’, ‘apply’, ‘backfill’, ‘bfill’, ‘boxplot’, ‘corr’, ‘corrwith’, ‘count’, ‘cov’, ‘cumcount’, ‘cummax’, ‘cummin’, ‘cumprod’, ‘cumsum’, ‘describe’, ‘diff’, ‘dtypes’, ‘expanding’, ‘ffill’, ‘fillna’, ‘filter’, ‘first’, ‘get_group’, ‘groups’, ‘head’, ‘hist’, ‘idxmax’, ‘idxmin’, ‘indices’, ‘last’, ‘mad’, ‘max’, ‘mean’, ‘median’, ‘min’, ‘ndim’, ‘ngroup’, ‘ngroups’, ‘nth’, ‘nunique’, ‘ohlc’, ‘pad’, ‘pct_change’, ‘pipe’, ‘plot’, ‘prod’, ‘quantile’, ‘rank’, ‘resample’, ‘rolling’, ‘sem’, ‘shift’, ‘size’, ‘skew’, ‘std’, ‘sum’, ‘tail’, ‘take’, ‘transform’, ‘tshift’, ‘var’]

（b）分组对象的head和first
对分组对象使用head函数，返回的是每个组的前几行，而不是数据集前几行.

grouped_single.head(2)

在这里插入图片描述
first显示的是以分组为索引的每组的第一个分组信息

grouped_single.first()

在这里插入图片描述
（c）分组依据
对于groupby函数而言，分组的依据是非常自由的，只要是与数据框长度相同的列表即可，同时支持函数型分组

df.groupby(np.random.choice(['a','b','c'],df.shape[0])).get_group('a').head()
#相当于将np.random.choice(['a','b','c'],df.shape[0])当做新的一列进行分组

在这里插入图片描述
从原理上说，我们可以看到利用函数时，传入的对象就是索引，因此根据这一特性可以做一些复杂的操作:

df[:5].groupby(lambda x:print(x)).head(0)

在这里插入图片描述
根据奇偶行分组

df.groupby(lambda x:'奇数行' if not df.index.get_loc(x)%2==1 else '偶数行').groups

在这里插入图片描述
（d）groupby的[]操作
可以用[]选出groupby对象的某个或者某几个列，上面的均分比较可以如下简洁地写出：

df.groupby(['Gender','School'])['Math'].mean()>=60

在这里插入图片描述
用列表可选出多个属性列：

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

在这里插入图片描述
（e）连续型变量分组
例如利用cut函数对数学成绩分组：

bins = [0,40,60,80,90,100]
cuts = pd.cut(df['Math'],bins=bins) #可选label添加自定义标签
df.groupby(cuts)['Math'].count()

在这里插入图片描述

三、聚合、过滤和变换

1. 聚合（Aggregation）

（a）常用聚合函数
所谓聚合就是把一堆数，变成一个标量，因此mean/sum/size/count/std/var/sem/describe/first/last/nth/min/max都是聚合函数
为了熟悉操作，不妨验证标准误sem函数，它的计算公式是： $\frac{组内标准差}{\sqrt{组容量}}$ ，下面进行验证：

group_m = grouped_single['Math']
group_m.std().values/np.sqrt(group_m.count().values)== group_m.sem().values

在这里插入图片描述（b）同时使用多个聚合函数

group_m.agg(['sum','mean','std'])

在这里插入图片描述
利用元组进行重命名

group_m.agg([('rename_sum','sum'),('rename_mean','mean')])

在这里插入图片描述
指定哪些函数作用哪些列

grouped_mul.agg({'Math':['mean','max'],'Height':'var'})

在这里插入图片描述
（c）使用自定义函数

grouped_single['Math'].agg(lambda x:print(x.head(),'间隔'))
#可以发现，agg函数的传入是分组逐列进行的，有了这个特性就可以做许多事情

在这里插入图片描述
官方没有提供极差计算的函数，但通过agg可以容易地实现组内极差计算

grouped_single['Math'].agg(lambda x:x.max()-x.min())

在这里插入图片描述
（d）利用NamedAgg函数进行多个聚合
注意：不支持lambda函数，但是可以使用外置的def函数

def R1(x):
    return x.max()-x.min()
def R2(x):
    return x.max()-x.median()
grouped_single['Math'].agg(min_score1=pd.NamedAgg(column='col1', aggfunc=R1),
                           max_score1=pd.NamedAgg(column='col2', aggfunc='max'),
                           range_score2=pd.NamedAgg(column='col3', aggfunc=R2)).head()

在这里插入图片描述
如果需要使用多个函数，并且其中至少有一个带参数，则使用wrap技巧：

def f_test(s,low,high):
    return s.between(low,high).max()
def agg_f(f_mul,name,*args,**kwargs):
    def wrapper(x):
        return f_mul(x,*args,**kwargs)
    wrapper.__name__ = name
    return wrapper
new_f = agg_f(f_test,'at_least_one_in_50_52',50,52)
grouped_single['Math'].agg([new_f,'mean']).head()

在这里插入图片描述

2. 过滤（Filteration）

filter函数是用来筛选某些组的（务必记住结果是组的全体），因此传入的值应当是布尔标量

grouped_single[['Math','Physics']].filter(lambda x:(x['Math']>32).all()).head()

在这里插入图片描述

3. 变换（Transformation）

（a）传入对象
transform函数中传入的对象是组内的列，并且返回值需要与列长完全一致

grouped_single[['Math','Height']].transform(lambda x:x-x.min()).head()

在这里插入图片描述

如果返回了标量值，那么组内的所有元素会被广播为这个值

grouped_single[['Math','Height']].transform(lambda x:x.mean()).head()

在这里插入图片描述

（b）利用变换方法进行组内标准化

grouped_single[['Math','Height']].transform(lambda x:(x-x.mean())/x.std()).head()

在这里插入图片描述
（c）利用变换方法进行组内缺失值的均值填充

df_nan = df[['Math','School']].copy().reset_index()
df_nan.loc[np.random.randint(0,df.shape[0],25),['Math']]=np.nan
df_nan.head()

在这里插入图片描述

df_nan.groupby('School').transform(lambda x: x.fillna(x.mean())).join(df.reset_index()['School']).head()

在这里插入图片描述

四、apply函数

1. apply函数的灵活性

可能在所有的分组函数中，apply是应用最为广泛的，这得益于它的灵活性：
对于传入值而言，从下面的打印内容可以看到是以分组的表传入apply中：

df.groupby('School').apply(lambda x:print(x.head(1)))

在这里插入图片描述
apply函数的灵活性很大程度来源于其返回值的多样性：
① 标量返回值

df[['School','Math','Height']].groupby('School').apply(lambda x:x.max())

在这里插入图片描述
② 列表返回值

df[['School','Math','Height']].groupby('School').apply(lambda x:x-x.min()).head()

在这里插入图片描述

③ 数据框返回值

df[['School','Math','Height']].groupby('School')\
    .apply(lambda x:pd.DataFrame({'col1':x['Math']-x['Math'].max(),
                                  'col2':x['Math']-x['Math'].min(),
                                  'col3':x['Height']-x['Height'].max(),
                                  'col4':x['Height']-x['Height'].min()})).head()

在这里插入图片描述

2. 用apply同时统计多个指标

此处可以借助OrderedDict工具进行快捷的统计：

from collections import OrderedDict
def f(df):
    data = OrderedDict()
    data['M_sum'] = df['Math'].sum()
    data['W_var'] = df['Weight'].var()
    data['H_mean'] = df['Height'].mean()
    return pd.Series(data)
grouped_single.apply(f)

![在这里插入代码片](https://img-blog.csdnimg.cn/2020042712042642.png)

五、问题与练习

1、问题

【问题一】什么是fillna的前向/后向填充，如何实现？
【问题二】下面的代码实现了什么功能？请仿照设计一个它的groupby版本。

s = pd.Series ([0, 1, 1, 0, 1, 1, 1, 0])
s1 = s.cumsum()
result = s.mul(s1).diff().where(lambda x: x < 0).ffill().add(s1,fill_value =0)

问题三】如何计算组内0.25分位数与0.75分位数？要求显示在同一张表上。
【问题四】既然索引已经能够选出某些符合条件的子集，那么filter函数的设计有什么意义？
【问题五】整合、变换、过滤三者在输入输出和功能上有何异同？
【问题六】在带参数的多函数聚合时，有办法能够绕过wrap技巧实现同样功能吗？