对数据集进行分组并对各组应用一个函数(无论是聚合还是转换),通常是数据分析工作中的重要环节。在将数据集加载、融合、准备好之后,通常就是计算分组统计或生成透视表。pandas提供了一个灵活高效的gruopby功能,它使你能以一种自然的方式对数据集进行切片、切块、摘要等操作。
关系型数据库和SQL(Structured Query Language,结构化查询语言)能够如此流行的原因之一就是其能够方便地对数据进行连接、过滤、转换和聚合。但是,像SQL这样的查询语言所能执行的分组运算的种类很有限。在本章中你将会看到,由于Python和pandas强大的表达能力,我们可以执行复杂得多的分组运算(利用任何可以接受pandas对象或NumPy数组的函数)。在本章中,你将会学到:
使用一个或多个键(形式可以是函数、数组或DataFrame列名)分割pandas对象。
计算分组的概述统计,比如数量、平均值或标准差,或是用户定义的函数。
应用组内转换或其他运算,如规格化、线性回归、排名或选取子集等。
计算透视表或交叉表。
执行分位数分析以及其它统计分组分析。
笔记:对时间序列数据的聚合(groupby的特殊用法之一)也称作重采样(resampling),本书将在第11章中单独对其进行讲解。
GroupBy机制
Hadley Wickham(许多热门R语言包的作者)创造了一个用于表示分组运算的术语"split-apply-combine"(拆分-应用-合并)。第一个阶段,pandas对象(无论是Series、DataFrame还是其他的)中的数据会根据你所提供的一个或多个键被拆分(split)为多组。拆分操作是在对象的特定轴上执行的。例如,DataFrame可以在其行(axis=0)或列(axis=1)上进行分组。然后,将一个函数应用(apply)到各个分组并产生一个新值。最后,所有这些函数的执行结果会被合并(combine)到最终的结果对象中。结果对象的形式一般取决于数据上所执行的操作。图10-1大致说明了一个简单的分组聚合过程。
分组键可以有多种形式,且类型不必相同:
列表或数组,其长度与待分组的轴一样。
表示DataFrame某个列名的值。
字典或Series,给出待分组轴上的值与分组名之间的对应关系。
函数,用于处理轴索引或索引中的各个标签。
注意,后三种都只是快捷方式而已,其最终目的仍然是产生一组用于拆分对象的值。如果觉得这些东西看起来很抽象,不用担心,我将在本章中给出大量有关于此的示例。首先来看看下面这个非常简单的表格型数据集(以DataFrame的形式):
import pandas as pd
df = pd.DataFrame({'key1' : ['a', 'a', 'b', 'b', 'a'],
'key2' : ['one', 'two', 'one', 'two', 'one'],
'data1' : np.random.randn(5),
'data2' : np.random.randn(5)})
df
key1key2data1data2
0
a
one
1.318468
0.764612
1
a
two
-0.670063
1.056639
2
b
one
-2.405182
0.665323
3
b
two
0.734192
0.436943
4
a
one
-0.591552
0.523801
假设你想要按key1进行分组,并计算data1列的平均值。实现该功能的方式有很多,而我们这里要用的是:访问data1,并根据key1调用groupby:
grouped = df['data1'].groupby(df['key1'])
grouped
变量grouped是一个GroupBy对象。它实际上还没有进行任何计算,只是含有一些有关分组键df[‘key1’]的中间数据而已。换句话说,该对象已经有了接下来对各分组执行运算所需的一切信息。例如,我们可以调用GroupBy的mean方法来计算分组平均值
grouped.mean()
key1
a 0.018951
b -0.835495
Name: data1, dtype: float64
稍后我将详细讲解.mean()的调用过程。这里最重要的是,数据(Series)根据分组键进行了聚合,产生了一个新的Series,其索引为key1列中的唯一值。之所以结果中索引的名称为key1,是因为原始DataFrame的列df[‘key1’]就叫这个名字。
如果我们一次传入多个数组的列表,就会得到不同的结果:
means = df['data1'].groupby([df['key1'], df['key2']]).mean()
means
key1 key2
a one 0.363458
two -0.670063
b one -2.405182
two 0.734192
Name: data1, dtype: float64
这里,我通过两个键对数据进行了分组,得到的Series具有一个层次化索引(由唯一的键对组成):
means.unstack()
key2onetwo
key1
a
0.363458
-0.670063
b
-2.405182
0.734192
在这个例子中,分组键均为Series。实际上,分组键可以是任何长度适当的数组:
states = np.array(['Ohio', 'California', 'California', 'Ohio', 'Ohio'])
years = np.array([2005, 2005, 2006, 2005, 2006])
df['data1']
0 1.318468
1 -0.670063
2 -2.405182
3 0.734192
4 -0.591552
Name: data1, dtype: float64
df['data1'].groupby([states, years]).mean()
California 2005 -0.670063
2006 -2.405182
Ohio 2005 1.026330
2006 -0.591552
Name: data1, dtype: float64
通常,分组信息就位于相同的要处理DataFrame中。这里,你还可以将列名(可以是字符串、数字或其他Python对象)用作分组键:
df.groupby('key1').mean()
data1data2
key1
a
0.018951
0.781684
b
-0.835495
0.551133
df.groupby(['key1', 'key2']).mean()
data1data2
key1key2
aone
0.363458
0.644206
two
-0.670063
1.056639
bone
-2.405182
0.665323
two
0.734192
0.436943
你可能已经注意到了,第一个例子在执行df.groupby(‘key1’).mean()时,结果中没有key2列。这是因为df[‘key2’]不是数值数据(俗称“麻烦列”),所以被从结果中排除了。默认情况下,所有数值列都会被聚合,虽然有时可能会被过滤为一个子集,稍后就会碰到。
无论你准备拿groupby做什么,都有可能会用到GroupBy的size方法,它可以返回一个含有分组大小的Series:
df.groupby(['key1', 'key2']).size()
key1 key2
a one 2
two 1
b one 1
two 1
dtype: int64
注意,任何分组关键词中的缺失值,都会被从结果中除去。
对分组进行迭代
GroupBy对象支持迭代,可以产生一组二元元组(由分组名和数据块组成)。看下面的例子:
for name, group in df.groupby('key1'):
print(name)
print(group)
a
key1 key2 data1 data2
0 a one 1.318468 0.764612
1 a two -0.670063 1.056639
4 a one -0.591552 0.523801
b
key1 key2 data1 data2
2 b one -2.405182 0.665323
3 b two 0.734192 0.436943
对于多重键的情况,元组的第一个元素将会是由键值组成的元组:
for (k1, k2), group in df.groupby(['key1', 'key2']):
print((k1, k2))
print(group)
('a', 'one')
key1 key2 data1 data2
0 a one 1.318468 0.764612
4 a one -0.591552 0.523801
('a', 'two')
key1 key2 data1 data2
1 a two -0.670063 1.056639
('b', 'one')
key1 key2 data1 data2
2 b one -2.405182 0.665323
('b', 'two')
key1 key2 data1 data2
3 b two 0.734192 0.436943
当然,你可以对这些数据片段做任何操作。有一个你可能会觉得有用的运算:将这些数据片段做成一个字典:
pieces = dict(list(df.groupby('key1')))
pieces['b']
key1key2data1data2
2
b
one
-2.405182
0.665323
3
b
two
0.734192
0.436943
groupby默认是在axis=0上进行分组的,通过设置也可以在其他任何轴上进行分组。拿上面例子中的df来说,我们可以根据dtype对列进行分组:
df.dtypes
key1 object
key2 object
data1 float64
data2 float64
dtype: object
grouped = df.groupby(df.dtypes, axis=1)
可以如下打印分组:
for dtype, group in grouped:
print(dtype)
print(group)
float64
data1 data2
0 1.318468 0.764612
1 -0.670063 1.056639
2 -2.405182 0.665323
3 0.734192 0.436943
4 -0.591552 0.523801
object
key1 key2
0 a one
1 a two
2 b one
3 b two
4 a one
选取一列或列的子集
对于由DataFrame产生的GroupBy对象,如果用一个(单个字符串)或一组(字符串数组)列名对其进行索引,就能实现选取部分列进行聚合的目的。也就是说:
df.groupby('key1')['data1']
df.groupby('key1')[['data2']]
是以下代码的语法糖:
df['data1'].groupby(df['key1'])
df[['data2']].groupby(df['key1'])
尤其对于大数据集,很可能只需要对部分列进行聚合。例如,在前面那个数据集中,如果只需计算data2列的平均值并以DataFrame形式得到结果,可以这样写:
df.groupby(['key1', 'key2'])[['data2']].mean()
data2
key1key2
aone
0.644206
two
1.056639
bone
0.665323
two
0.436943
这种索引操作所返回的对象是一个已分组的DataFrame(如果传入的是列表或数组)或已分组的Series(如果传入的是标量形式的单个列名):
s_grouped = df.groupby(['key1', 'key2'])['data2']
s_grouped
s_grouped.mean()
key1 key2
a one 0.644206
two 1.056639
b one 0.665323
two 0.436943
Name: data2, dtype: float64
通过字典或Series进行分组
除数组以外,分组信息还可以其他形式存在。来看另一个示例DataFrame:
people = pd.DataFrame(np.random.randn(5, 5),
columns=['a', 'b', 'c', 'd', 'e'],
index=['Joe', 'Steve', 'Wes', 'Jim', 'Travis'])
people
abcde
Joe
1.037806
0.366019
-1.868240
-1.574181
1.229462
Steve
-0.537422
-0.149428
1.065657
1.193845
1.381285
Wes
-0.120145
-1.216974
0.690470
0.676304
-1.032362
Jim
-0.071084
1.278099
-0.060597
-0.354461
-0.118191
Travis
-0.285226
-0.894874
0.169473
1.330677
0.586171
people.iloc[2:3, [1, 2]] = np.nan # Add a few NA values
people
abcde
Joe
1.037806
0.366019
-1.868240
-1.574181
1.229462
Steve
-0.537422
-0.149428
1.065657
1.193845
1.381285
Wes
-0.120145
NaN
NaN
0.676304
-1.032362
Jim
-0.071084
1.278099
-0.060597
-0.354461
-0.118191
Travis
-0.285226
-0.894874
0.169473
1.330677
0.586171
现在,假设已知列的分组关系,并希望根据分组计算列的和:
mapping = {'a': 'red', 'b': 'red', 'c': 'blue',
'd': 'blue', 'e': 'red', 'f' : 'orange'}
现在,你可以将这个字典传给groupby,来构造数组,但我们可以直接传递字典(我包含了键“f”来强调,存在未使用的分组键是可以的):
by_column = people.groupby(mapping, axis=1)
by_column
by_column.sum()
bluered
Joe
-3.442421
2.633287
Steve
2.259502
0.694435
Wes
0.676304
-1.152507
Jim
-0.415058
1.088824
Travis
1.500150
-0.593930
Series也有同样的功能,它可以被看做一个固定大小的映射:
map_series = pd.Series(mapping)
map_series
a red
b red
c blue
d blue
e red
f orange
dtype: object
people.groupby(map_series, axis=1).count()
bluered
Joe
2
3
Steve
2
3
Wes
1
2
Jim
2
3
Travis
2
3
通过函数进行分组
比起使用字典或Series,使用Python函数是一种更原生的方法定义分组映射。任何被当做分组键的函数都会在各个索引值上被调用一次,其返回值就会被用作分组名称。具体点说,以上一小节的示例DataFrame为例,其索引值为人的名字。你可以计算一个字符串长度的数组,更简单的方法是传入len函数:
people.groupby(len).sum()
abcde
3
0.846577
1.644117
-1.928837
-1.252338
0.078909
5
-0.537422
-0.149428
1.065657
1.193845
1.381285
6
-0.285226
-0.894874
0.169473
1.330677
0.586171
将函数跟数组、列表、字典、Series混合使用也不是问题,因为任何东西在内部都会被转换为数组:
key_list = ['one', 'one', 'one', 'two', 'two']
people.groupby([len, key_list]).min()
abcde
3one
-0.120145
0.366019
-1.868240
-1.574181
-1.032362
two
-0.071084
1.278099
-0.060597
-0.354461
-0.118191
5one
-0.537422
-0.149428
1.065657
1.193845
1.381285
6two
-0.285226
-0.894874
0.169473
1.330677
0.586171
根据索引级别分组
层次化索引数据集最方便的地方就在于它能够根据轴索引的一个级别进行聚合:
columns = pd.MultiIndex.from_arrays([['US', 'US', 'US', 'JP', 'JP'],
[1, 3, 5, 1, 3]],
names=['cty', 'tenor'])
columns
MultiIndex(levels=[['JP', 'US'], [1, 3, 5]],
labels=[[1, 1, 1, 0, 0], [0, 1, 2, 0, 1]],
names=['cty', 'tenor'])
hier_df = pd.DataFrame(np.random.randn(4, 5), columns=columns)
hier_df
ctyUSJP
tenor13513
0
2.503014
-0.354419
-0.911664
-2.230766
0.214306
1
-1.780458
-2.004709
-0.321290
-0.505333
0.130555
2
1.017626
-0.728401
-0.385364
-0.603360
-1.053275
3
-0.016153
0.906594
1.225777
0.872585
0.931181
要根据级别分组,使用level关键字传递级别序号或名字:
hier_df.groupby(level='cty', axis=1).count()
ctyJPUS
0
2
3
1
2
3
2
2
3
3
2
3
数据聚合
聚合指的是任何能够从数组产生标量值的数据转换过程。之前的例子已经用过一些,比如mean、count、min以及sum等。你可能想知道在GroupBy对象上调用mean()时究竟发生了什么。许多常见的聚合运算(如表10-1所示)都有进行优化。然而,除了这些方法,你还可以使用其它的。
函数名说明
count
分组中的NA值的数量
sum
非NA值的和
mean
非NA值的平均值
median
非NA值的算术中位数
std,var
无偏(分母为n-1)标准差和方差
min,max
非NA值的最小值和最大值
prod
非NA值的积
first,last
第一个和最后一个非NA值
你可以使用自己发明的聚合运算,还可以调用分组对象上已经定义好的任何方法。例如,quantile可以计算Series或DataFrame列的样本分位数。
虽然quantile并没有明确地实现于GroupBy,但它是一个Series方法,所以这里是能用的。实际上,GroupBy会高效地对Series进行切片,然后对各片调用piece.quantile(0.9),最后将这些结果组装成最终结果:
df
key1key2data1data2
0
a
one
1.318468
0.764612
1
a
two
-0.670063
1.056639
2
b
one
-2.405182
0.665323
3
b
two
0.734192
0.436943
4
a
one
-0.591552
0.523801
grouped = df.groupby('key1')
grouped['data1'].quantile(0.9)
key1
a 0.936464
b 0.420254
Name: data1, dtype: float64
如果要使用你自己的聚合函数,只需将其传入aggregate或agg方法即可:
def peak_to_peak(arr):
return arr.max() - arr.min()
grouped.agg(peak_to_peak)
data1data2
key1
a
1.988531
0.532838
b
3.139374
0.228380
你可能注意到注意,有些方法(如describe)也是可以用在这里的,即使严格来讲,它们并非聚合运算:
grouped.describe()
data1data2
countmeanstdmin25%50%75%maxcountmeanstdmin25%50%75%max
key1
a
3.0
0.018951
1.126099
-0.670063
-0.630807
-0.591552
0.363458
1.318468
3.0
0.781684
0.266829
0.523801
0.644206
0.764612
0.910625
1.056639
b
2.0
-0.835495
2.219873
-2.405182
-1.620339
-0.835495
-0.050652
0.734192
2.0
0.551133
0.161489
0.436943
0.494038
0.551133
0.608228
0.665323
在后面的10.3节,我将详细说明这到底是怎么回事。
笔记:自定义聚合函数要比表10-1中那些经过优化的函数慢得多。这是因为在构造中间分组数据块时存在非常大的开销(函数调用、数据重排等)。
面向列的多函数应用
回到前面小费的例子。使用read_csv导入数据之后,我们添加了一个小费百分比的列tip_pct:
tips = pd.read_csv('examples/tips.csv')
tips['tip_pct'] = tips['tip'] / tips['total_bill']
tips[:6]
total_billtipsmokerdaytimesizetip_pct
0
16.99
1.01
No
Sun
Dinner
2
0.059447
1
10.34
1.66
No
Sun
Dinner
3
0.160542
2
21.01
3.50
No
Sun
Dinner
3
0.166587
3
23.68
3.31
No
Sun
Dinner
2
0.139780
4
24.59
3.61
No
Sun
Dinner
4
0.146808
5
25.29
4.71
No
Sun
Dinner
4
0.186240
你已经看到,对Series或DataFrame列的聚合运算其实就是使用aggregate(使用自定义函数)或调用诸如mean、std之类的方法。然而,你可能希望对不同的列使用不同的聚合函数,或一次应用多个函数。其实这也好办,我将通过一些示例来进行讲解。首先,我根据天和smoker对tips进行分组:
grouped = tips.groupby(['day', 'smoker'])
注意,对于表10-1中的那些描述统计,可以将函数名以字符串的形式传入:
grouped_pct = grouped['tip_pct']
grouped_pct.agg('mean')
day smoker
Fri No 0.151650
Yes 0.174783
Sat No 0.158048
Yes 0.147906
Sun No 0.160113
Yes 0.187250
Thur No 0.160298
Yes 0.163863
Name: tip_pct, dtype: float64
如果传入一组函数或函数名,得到的DataFrame的列就会以相应的函数命名:
grouped_pct.agg(['mean', 'std', peak_to_peak])
meanstdpeak_to_peak
daysmoker
FriNo
0.151650
0.028123
0.067349
Yes
0.174783
0.051293
0.159925
SatNo
0.158048
0.039767
0.235193
Yes
0.147906
0.061375
0.290095
SunNo
0.160113
0.042347
0.193226
Yes
0.187250
0.154134
0.644685
ThurNo
0.160298
0.038774
0.193350
Yes
0.163863
0.039389
0.151240
这里,我们传递了一组聚合函数进行聚合,独立对数据分组进行评估。
你并非一定要接受GroupBy自动给出的那些列名,特别是lambda函数,它们的名称是’’,这样的辨识度就很低了(通过函数的name属性看看就知道了)。因此,如果传入的是一个由(name,function)元组组成的列表,则各元组的第一个元素就会被用作DataFrame的列名(可以将这种二元元组列表看做一个有序映射):
grouped_pct.agg([('foo', 'mean'), ('bar', np.std)])
foobar
daysmoker
FriNo
0.151650
0.028123
Yes
0.174783
0.051293
SatNo
0.158048
0.039767
Yes
0.147906
0.061375
SunNo
0.160113
0.042347
Yes
0.187250
0.154134
ThurNo
0.160298
0.038774
Yes
0.163863
0.039389
对于DataFrame,你还有更多选择,你可以定义一组应用于全部列的一组函数,或不同的列应用不同的函数。假设我们想要对tip_pct和total_bill列计算三个统计信息:
functions = ['count', 'mean', 'max']
result = grouped['tip_pct', 'total_bill'].agg(functions)
result
tip_pcttotal_bill
countmeanmaxcountmeanmax
daysmoker
FriNo
4
0.151650
0.187735
4
18.420000
22.75
Yes
15
0.174783
0.263480
15
16.813333
40.17
SatNo
45
0.158048
0.291990
45
19.661778
48.33
Yes
42
0.147906
0.325733
42
21.276667
50.81
SunNo
57
0.160113
0.252672
57
20.506667
48.17
Yes
19
0.187250
0.710345
19
24.120000
45.35
ThurNo
45
0.160298
0.266312
45
17.113111
41.19
Yes
17
0.163863
0.241255
17
19.190588
43.11
如你所见,结果DataFrame拥有层次化的列,这相当于分别对各列进行聚合,然后用concat将结果组装到一起,使用列名用作keys参数:
result['tip_pct']
countmeanmax
daysmoker
FriNo
4
0.151650
0.187735
Yes
15
0.174783
0.263480
SatNo
45
0.158048
0.291990
Yes
42
0.147906
0.325733
SunNo
57
0.160113
0.252672
Yes
19
0.187250
0.710345
ThurNo
45
0.160298
0.266312
Yes
17
0.163863
0.241255
跟前面一样,这里也可以传入带有自定义名称的一组元组:
ftuples = [('Durchschnitt', 'mean'),('Abweichung', np.var)]
grouped['tip_pct', 'total_bill'].agg(ftuples)
tip_pcttotal_bill
DurchschnittAbweichungDurchschnittAbweichung
daysmoker
FriNo
0.151650
0.000791
18.420000
25.596333
Yes
0.174783
0.002631
16.813333
82.562438
SatNo
0.158048
0.001581
19.661778
79.908965
Yes
0.147906
0.003767
21.276667
101.387535
SunNo
0.160113
0.001793
20.506667
66.099980
Yes
0.187250
0.023757
24.120000
109.046044
ThurNo
0.160298
0.001503
17.113111
59.625081
Yes
0.163863
0.001551
19.190588
69.808518
现在,假设你想要对一个列或不同的列应用不同的函数。具体的办法是向agg传入一个从列名映射到函数的字典:
grouped.agg({'tip' : np.max, 'size' : 'sum'})
tipsize
daysmoker
FriNo
3.50
9
Yes
4.73
31
SatNo
9.00
115
Yes
10.00
104
SunNo
6.00
167
Yes
6.50
49
ThurNo
6.70
112
Yes
5.00
40
grouped.agg({'tip_pct' : ['min', 'max', 'mean', 'std'],
'size' : 'sum'})
tip_pctsize
minmaxmeanstdsum
daysmoker
FriNo
0.120385
0.187735
0.151650
0.028123
9
Yes
0.103555
0.263480
0.174783
0.051293
31
SatNo
0.056797
0.291990
0.158048
0.039767
115
Yes
0.035638
0.325733
0.147906
0.061375
104
SunNo
0.059447
0.252672
0.160113
0.042347
167
Yes
0.065660
0.710345
0.187250
0.154134
49
ThurNo
0.072961
0.266312
0.160298
0.038774
112
Yes
0.090014
0.241255
0.163863
0.039389
40
只有将多个函数应用到至少一列时,DataFrame才会拥有层次化的列。
以“没有行索引”的形式返回聚合数据
到目前为止,所有示例中的聚合数据都有由唯一的分组键组成的索引(可能还是层次化的)。由于并不总是需要如此,所以你可以向groupby传入as_index=False以禁用该功能:
tips.groupby(['day', 'smoker'], as_index=False).mean()
daysmokertotal_billtipsizetip_pct
0
Fri
No
18.420000
2.812500
2.250000
0.151650
1
Fri
Yes
16.813333
2.714000
2.066667
0.174783
2
Sat
No
19.661778
3.102889
2.555556
0.158048
3
Sat
Yes
21.276667
2.875476
2.476190
0.147906
4
Sun
No
20.506667
3.167895
2.929825
0.160113
5
Sun
Yes
24.120000
3.516842
2.578947
0.187250
6
Thur
No
17.113111
2.673778
2.488889
0.160298
7
Thur
Yes
19.190588
3.030000
2.352941
0.163863
当然,对结果调用reset_index也能得到这种形式的结果。使用as_index=False方法可以避免一些不必要的计算。
apply:一般性的“拆分-应用-合并”
最通用的GroupBy方法是apply,本节剩余部分将重点讲解它。如图10-2所示,apply会将待处理的对象拆分成多个片段,然后对各片段调用传入的函数,最后尝试将各片段组合到一起。
回到之前那个小费数据集,假设你想要根据分组选出最高的5个tip_pct值。首先,编写一个选取指定列具有最大值的行的函数:
def top(df, n=5, column='tip_pct'):
return df.sort_values(by=column)[-n:]
top(tips, n=6)
total_billtipsmokerdaytimesizetip_pct
109
14.31
4.00
Yes
Sat
Dinner
2
0.279525
183
23.17
6.50
Yes
Sun
Dinner
4
0.280535
232
11.61
3.39
No
Sat
Dinner
2
0.291990
67
3.07
1.00
Yes
Sat
Dinner
1
0.325733
178
9.60
4.00
Yes
Sun
Dinner
2
0.416667
172
7.25
5.15
Yes
Sun
Dinner
2
0.710345
现在,如果对smoker分组并用该函数调用apply,就会得到:
tips.groupby('smoker').apply(top)
total_billtipsmokerdaytimesizetip_pct
smoker
No88
24.71
5.85
No
Thur
Lunch
2
0.236746
185
20.69
5.00
No
Sun
Dinner
5
0.241663
51
10.29
2.60
No
Sun
Dinner
2
0.252672
149
7.51
2.00
No
Thur
Lunch
2
0.266312
232
11.61
3.39
No
Sat
Dinner
2
0.291990
Yes109
14.31
4.00
Yes
Sat
Dinner
2
0.279525
183
23.17
6.50
Yes
Sun
Dinner
4
0.280535
67
3.07
1.00
Yes
Sat
Dinner
1
0.325733
178
9.60
4.00
Yes
Sun
Dinner
2
0.416667
172
7.25
5.15
Yes
Sun
Dinner
2
0.710345
这里发生了什么?top函数在DataFrame的各个片段上调用,然后结果由pandas.concat组装到一起,并以分组名称进行了标记。于是,最终结果就有了一个层次化索引,其内层索引值来自原DataFrame。
如果传给apply的函数能够接受其他参数或关键字,则可以将这些内容放在函数名后面一并传入:
tips.groupby(['smoker', 'day']).apply(top, n=1, column='total_bill')
total_billtipsmokerdaytimesizetip_pct
smokerday
NoFri94
22.75
3.25
No
Fri
Dinner
2
0.142857
Sat212
48.33
9.00
No
Sat
Dinner
4
0.186220
Sun156
48.17
5.00
No
Sun
Dinner
6
0.103799
Thur142
41.19
5.00
No
Thur
Lunch
5
0.121389
YesFri95
40.17
4.73
Yes
Fri
Dinner
4
0.117750
Sat170
50.81
10.00
Yes
Sat
Dinner
3
0.196812
Sun182
45.35
3.50
Yes
Sun
Dinner
3
0.077178
Thur197
43.11
5.00
Yes
Thur
Lunch
4
0.115982
笔记:除这些基本用法之外,能否充分发挥apply的威力很大程度上取决于你的创造力。传入的那个函数能做什么全由你说了算,它只需返回一个pandas对象或标量值即可。本章后续部分的示例主要用于讲解如何利用groupby解决各种各样的问题。
可能你已经想起来了,之前我在GroupBy对象上调用过describe:
result = tips.groupby('smoker')['tip_pct'].describe()
result
countmeanstdmin25%50%75%max
smoker
No
151.0
0.159328
0.039910
0.056797
0.136906
0.155625
0.185014
0.291990
Yes
93.0
0.163196
0.085119
0.035638
0.106771
0.153846
0.195059
0.710345
result.unstack('smoker')
smoker
count No 151.000000
Yes 93.000000
mean No 0.159328
Yes 0.163196
std No 0.039910
Yes 0.085119
min No 0.056797
Yes 0.035638
25% No 0.136906
Yes 0.106771
50% No 0.155625
Yes 0.153846
75% No 0.185014
Yes 0.195059
max No 0.291990
Yes 0.710345
dtype: float64
在GroupBy中,当你调用诸如describe之类的方法时,实际上只是应用了下面两条代码的快捷方式而已:
f = lambda x: x.describe()
grouped.apply(f)
禁止分组键
从上面的例子中可以看出,分组键会跟原始对象的索引共同构成结果对象中的层次化索引。将group_keys=False传入groupby即可禁止该效果:
tips.groupby('smoker', group_keys=False).apply(top)
total_billtipsmokerdaytimesizetip_pct
88
24.71
5.85
No
Thur
Lunch
2
0.236746
185
20.69
5.00
No
Sun
Dinner
5
0.241663
51
10.29
2.60
No
Sun
Dinner
2
0.252672
149
7.51
2.00
No
Thur
Lunch
2
0.266312
232
11.61
3.39
No
Sat
Dinner
2
0.291990
109
14.31
4.00
Yes
Sat
Dinner
2
0.279525
183
23.17
6.50
Yes
Sun
Dinner
4
0.280535
67
3.07
1.00
Yes
Sat
Dinner
1
0.325733
178
9.60
4.00
Yes
Sun
Dinner
2
0.416667
172
7.25
5.15
Yes
Sun
Dinner
2
0.710345
分位数和桶分析
我曾在第8章中讲过,pandas有一些能根据指定面元或样本分位数将数据拆分成多块的工具(比如cut和qcut)。将这些函数跟groupby结合起来,就能非常轻松地实现对数据集的桶(bucket)或分位数(quantile)分析了。以下面这个简单的随机数据集为例,我们利用cut将其装入长度相等的桶中:
frame = pd.DataFrame({'data1': np.random.randn(1000),
'data2': np.random.randn(1000)})
quartiles = pd.cut(frame.data1, 4)
quartiles[:10]
0 (0.111, 1.769]
1 (-1.547, 0.111]
2 (0.111, 1.769]
3 (-1.547, 0.111]
4 (-1.547, 0.111]
5 (-1.547, 0.111]
6 (-1.547, 0.111]
7 (0.111, 1.769]
8 (-1.547, 0.111]
9 (-1.547, 0.111]
Name: data1, dtype: category
Categories (4, interval[float64]): [(-3.212, -1.547] < (-1.547, 0.111] < (0.111, 1.769] < (1.769, 3.427]]
由cut返回的Categorical对象可直接传递到groupby。因此,我们可以像下面这样对data2列做一些统计计算:
def get_stats(group):
return {'min': group.min(), 'max': group.max(),
'count': group.count(), 'mean': group.mean()}
grouped = frame.data2.groupby(quartiles)
grouped.apply(get_stats)
data1
(-3.212, -1.547] count 61.000000
max 1.681975
mean -0.034289
min -2.751665
(-1.547, 0.111] count 493.000000
max 3.286570
mean -0.115413
min -3.273816
(0.111, 1.769] count 406.000000
max 3.832312
mean -0.017925
min -3.711830
(1.769, 3.427] count 40.000000
max 2.301913
mean 0.029012
min -3.133572
Name: data2, dtype: float64
grouped.apply(get_stats).unstack()
countmaxmeanmin
data1
(-3.212, -1.547]
61.0
1.681975
-0.034289
-2.751665
(-1.547, 0.111]
493.0
3.286570
-0.115413
-3.273816
(0.111, 1.769]
406.0
3.832312
-0.017925
-3.711830
(1.769, 3.427]
40.0
2.301913
0.029012
-3.133572
这些都是长度相等的桶。要根据样本分位数得到大小相等的桶,使用qcut即可。传入labels=False即可只获取分位数的编号:
grouping = pd.qcut(frame.data1, 10, labels=False)
grouped = frame.data2.groupby(grouping)
grouped.apply(get_stats).unstack()
countmaxmeanmin
data1
0
100.0
1.717476
-0.017711
-2.751665
1
100.0
2.217258
-0.213915
-2.871384
2
100.0
2.685711
-0.133270
-2.831741
3
100.0
3.286570
-0.081659
-2.920534
4
100.0
2.388036
-0.145312
-3.273816
5
100.0
2.903698
0.043201
-3.259944
6
100.0
2.352234
-0.034443
-2.187147
7
100.0
2.184320
-0.123537
-3.711830
8
100.0
3.832312
0.134130
-2.704397
9
100.0
2.301913
-0.078561
-3.133572
我们会在第12章详细讲解pandas的Categorical类型。
示例:用特定于分组的值填充缺失值
对于缺失数据的清理工作,有时你会用dropna将其替换掉,而有时则可能会希望用一个固定值或由数据集本身所衍生出来的值去填充NA值。这时就得使用fillna这个工具了。在下面这个例子中,我用平均值去填充NA值:
s = pd.Series(np.random.randn(6))
s[::2] = np.nan
s
0 NaN
1 -0.729934
2 NaN
3 1.097146
4 NaN
5 0.836751
dtype: float64
s.fillna(s.mean())
0 0.401321
1 -0.729934
2 0.401321
3 1.097146
4 0.401321
5 0.836751
dtype: float64
假设你需要对不同的分组填充不同的值。一种方法是将数据分组,并使用apply和一个能够对各数据块调用fillna的函数即可。下面是一些有关美国几个州的示例数据,这些州又被分为东部和西部:
states = ['Ohio', 'New York', 'Vermont', 'Florida',
'Oregon', 'Nevada', 'California', 'Idaho']
group_key = ['East'] * 4 + ['West'] * 4
data = pd.Series(np.random.randn(8), index=states)
data
Ohio 0.498135
New York -0.231511
Vermont -0.021277
Florida 0.310654
Oregon 0.475931
Nevada 0.027816
California -1.477541
Idaho -1.618531
dtype: float64
[‘East’] * 4产生了一个列表,包括了[‘East’]中元素的四个拷贝。将这些列表串联起来。
将一些值设为缺失:
data[['Vermont', 'Nevada', 'Idaho']] = np.nan
data
Ohio 0.498135
New York -0.231511
Vermont NaN
Florida 0.310654
Oregon 0.475931
Nevada NaN
California -1.477541
Idaho NaN
dtype: float64
data.groupby(group_key).mean()
East 0.192426
West -0.500805
dtype: float64
我们可以用分组平均值去填充NA值:
fill_mean = lambda g: g.fillna(g.mean())
data.groupby(group_key).apply(fill_mean)
Ohio 0.498135
New York -0.231511
Vermont 0.192426
Florida 0.310654
Oregon 0.475931
Nevada -0.500805
California -1.477541
Idaho -0.500805
dtype: float64
另外,也可以在代码中预定义各组的填充值。由于分组具有一个name属性,所以我们可以拿来用一下:
fill_values = {'East': 0.5, 'West': -1}
fill_func = lambda g: g.fillna(fill_values[g.name])
data.groupby(group_key).apply(fill_func)
Ohio 0.498135
New York -0.231511
Vermont 0.500000
Florida 0.310654
Oregon 0.475931
Nevada -1.000000
California -1.477541
Idaho -1.000000
dtype: float64
示例:随机采样和排列
假设你想要从一个大数据集中随机抽取(进行替换或不替换)样本以进行蒙特卡罗模拟(Monte Carlo simulation)或其他分析工作。“抽取”的方式有很多,这里使用的方法是对Series使用sample方法:
# Hearts, Spades, Clubs, Diamonds
suits = ['H', 'S', 'C', 'D']
card_val = (list(range(1, 11)) + [10] * 3) * 4
base_names = ['A'] + list(range(2, 11)) + ['J', 'K', 'Q']
cards = []
for suit in ['H', 'S', 'C', 'D']:
cards.extend(str(num) + suit for num in base_names)
deck = pd.Series(card_val, index=cards)
现在我有了一个长度为52的Series,其索引包括牌名,值则是21点或其他游戏中用于计分的点数(为了简单起见,我当A的点数为1):
deck[:13]
AH 1
2H 2
3H 3
4H 4
5H 5
6H 6
7H 7
8H 8
9H 9
10H 10
JH 10
KH 10
QH 10
dtype: int64
现在,根据我上面所讲的,从整副牌中抽出5张,代码如下:
def draw(deck, n=5):
return deck.sample(n)
draw(deck)
KD 10
KC 10
JD 10
6C 6
5H 5
dtype: int64
假设你想要从每种花色中随机抽取两张牌。由于花色是牌名的最后一个字符,所以我们可以据此进行分组,并使用apply:
get_suit = lambda card: card[-1] # last letter is suit
deck.groupby(get_suit).apply(draw, n=2)
C 8C 8
7C 7
D 5D 5
2D 2
H AH 1
JH 10
S QS 10
JS 10
dtype: int64
或者,也可以这样写:
deck.groupby(get_suit, group_keys=False).apply(draw, n=2)
JC 10
QC 10
9D 9
AD 1
2H 2
4H 4
2S 2
9S 9
dtype: int64
示例:分组加权平均数和相关系数
根据groupby的“拆分-应用-合并”范式,可以进行DataFrame的列与列之间或两个Series之间的运算(比如分组加权平均)。以下面这个数据集为例,它含有分组键、值以及一些权重值:
df = pd.DataFrame({'category': ['a', 'a', 'a', 'a',
'b', 'b', 'b', 'b'],
'data': np.random.randn(8),
'weights': np.random.rand(8)})
df
categorydataweights
0
a
-1.037496
0.104537
1
a
0.906086
0.797886
2
a
-1.232700
0.322842
3
a
-0.770139
0.484403
4
b
-0.810745
0.394332
5
b
-1.023347
0.573236
6
b
-0.220570
0.854043
7
b
0.164519
0.200136
然后可以利用category计算分组加权平均数:
grouped = df.groupby('category')
get_wavg = lambda g: np.average(g['data'], weights=g['weights'])
grouped.apply(get_wavg)
category
a -0.091555
b -0.525176
dtype: float64
另一个例子,考虑一个来自Yahoo!Finance的数据集,其中含有几只股票和标准普尔500指数(符号SPX)的收盘价:
close_px = pd.read_csv('examples/stock_px_2.csv', parse_dates=True,
index_col=0)
close_px.info()
DatetimeIndex: 2214 entries, 2003-01-02 to 2011-10-14
Data columns (total 4 columns):
AAPL 2214 non-null float64
MSFT 2214 non-null float64
XOM 2214 non-null float64
SPX 2214 non-null float64
dtypes: float64(4)
memory usage: 86.5 KB
close_px[-4:]
AAPLMSFTXOMSPX
2011-10-11
400.29
27.00
76.27
1195.54
2011-10-12
402.19
26.96
77.16
1207.25
2011-10-13
408.43
27.18
76.37
1203.66
2011-10-14
422.00
27.27
78.11
1224.58
来做一个比较有趣的任务:计算一个由日收益率(通过百分数变化计算)与SPX之间的年度相关系数组成的DataFrame。下面是一个实现办法,我们先创建一个函数,用它计算每列和SPX列的成对相关系数:
spx_corr = lambda x: x.corrwith(x['SPX'])
接下来,我们使用pct_change计算close_px的百分比变化:
rets = close_px.pct_change().dropna()
最后,我们用年对百分比变化进行分组,可以用一个一行的函数,从每行的标签返回每个datetime标签的year属性:
get_year = lambda x: x.year
by_year = rets.groupby(get_year)
by_year.apply(spx_corr)
AAPLMSFTXOMSPX
2003
0.541124
0.745174
0.661265
1.0
2004
0.374283
0.588531
0.557742
1.0
2005
0.467540
0.562374
0.631010
1.0
2006
0.428267
0.406126
0.518514
1.0
2007
0.508118
0.658770
0.786264
1.0
2008
0.681434
0.804626
0.828303
1.0
2009
0.707103
0.654902
0.797921
1.0
2010
0.710105
0.730118
0.839057
1.0
2011
0.691931
0.800996
0.859975
1.0
当然,你还可以计算列与列之间的相关系数。这里,我们计算Apple和Microsoft的年相关系数:
by_year.apply(lambda g: g['AAPL'].corr(g['MSFT']))
2003 0.480868
2004 0.259024
2005 0.300093
2006 0.161735
2007 0.417738
2008 0.611901
2009 0.432738
2010 0.571946
2011 0.581987
dtype: float64
示例:组级别的线性回归
顺着上一个例子继续,你可以用groupby执行更为复杂的分组统计分析,只要函数返回的是pandas对象或标量值即可。例如,我可以定义下面这个regress函数(利用statsmodels计量经济学库)对各数据块执行普通最小二乘法(Ordinary Least Squares,OLS)回归:
import statsmodels.api as sm
def regress(data, yvar, xvars):
Y = data[yvar]
X = data[xvars]
X['intercept'] = 1.
result = sm.OLS(Y, X).fit()
return result.params
现在,为了按年计算AAPL对SPX收益率的线性回归,执行:
by_year.apply(regress, 'AAPL', ['SPX'])
SPXintercept
2003
1.195406
0.000710
2004
1.363463
0.004201
2005
1.766415
0.003246
2006
1.645496
0.000080
2007
1.198761
0.003438
2008
0.968016
-0.001110
2009
0.879103
0.002954
2010
1.052608
0.001261
2011
0.806605
0.001514
透视表和交叉表
透视表(pivot table)是各种电子表格程序和其他数据分析软件中一种常见的数据汇总工具。它根据一个或多个键对数据进行聚合,并根据行和列上的分组键将数据分配到各个矩形区域中。在Python和pandas中,可以通过本章所介绍的groupby功能以及(能够利用层次化索引的)重塑运算制作透视表。DataFrame有一个pivot_table方法,此外还有一个顶级的pandas.pivot_table函数。除能为groupby提供便利之外,pivot_table还可以添加分项小计,也叫做margins。
回到小费数据集,假设我想要根据day和smoker计算分组平均数(pivot_table的默认聚合类型),并将day和smoker放到行上:
tips.pivot_table(index=['day', 'smoker'])
sizetiptip_pcttotal_bill
daysmoker
FriNo
2.250000
2.812500
0.151650
18.420000
Yes
2.066667
2.714000
0.174783
16.813333
SatNo
2.555556
3.102889
0.158048
19.661778
Yes
2.476190
2.875476
0.147906
21.276667
SunNo
2.929825
3.167895
0.160113
20.506667
Yes
2.578947
3.516842
0.187250
24.120000
ThurNo
2.488889
2.673778
0.160298
17.113111
Yes
2.352941
3.030000
0.163863
19.190588
tips.groupby(['day','smoker']).mean()
total_billtipsizetip_pct
daysmoker
FriNo
18.420000
2.812500
2.250000
0.151650
Yes
16.813333
2.714000
2.066667
0.174783
SatNo
19.661778
3.102889
2.555556
0.158048
Yes
21.276667
2.875476
2.476190
0.147906
SunNo
20.506667
3.167895
2.929825
0.160113
Yes
24.120000
3.516842
2.578947
0.187250
ThurNo
17.113111
2.673778
2.488889
0.160298
Yes
19.190588
3.030000
2.352941
0.163863
可以用groupby直接来做。现在,假设我们只想聚合tip_pct和size,而且想根据time进行分组。我将smoker放到列上,把day放到行上:
tips.pivot_table(['tip_pct', 'size'], index=['time', 'day'],
columns='smoker')
sizetip_pct
smokerNoYesNoYes
timeday
DinnerFri
2.000000
2.222222
0.139622
0.165347
Sat
2.555556
2.476190
0.158048
0.147906
Sun
2.929825
2.578947
0.160113
0.187250
Thur
2.000000
NaN
0.159744
NaN
LunchFri
3.000000
1.833333
0.187735
0.188937
Thur
2.500000
2.352941
0.160311
0.163863
tips.pivot_table(['tip_pct', 'size'], index=['time', 'day'],
columns='smoker', margins=True)
sizetip_pct
smokerNoYesAllNoYesAll
timeday
DinnerFri
2.000000
2.222222
2.166667
0.139622
0.165347
0.158916
Sat
2.555556
2.476190
2.517241
0.158048
0.147906
0.153152
Sun
2.929825
2.578947
2.842105
0.160113
0.187250
0.166897
Thur
2.000000
NaN
2.000000
0.159744
NaN
0.159744
LunchFri
3.000000
1.833333
2.000000
0.187735
0.188937
0.188765
Thur
2.500000
2.352941
2.459016
0.160311
0.163863
0.161301
All
2.668874
2.408602
2.569672
0.159328
0.163196
0.160803
这里,All值为平均数:不单独考虑烟民与非烟民(All列),不单独考虑行分组两个级别中的任何单项(All行)。
要使用其他的聚合函数,将其传给aggfunc即可。例如,使用count或len可以得到有关分组大小的交叉表(计数或频率):
tips.pivot_table('tip_pct', index=['time', 'smoker'], columns='day',
aggfunc=len, margins=True)
dayFriSatSunThurAll
timesmoker
DinnerNo
3.0
45.0
57.0
1.0
106.0
Yes
9.0
42.0
19.0
NaN
70.0
LunchNo
1.0
NaN
NaN
44.0
45.0
Yes
6.0
NaN
NaN
17.0
23.0
All
19.0
87.0
76.0
62.0
244.0
如果存在空的组合(也就是NA),你可能会希望设置一个fill_value:
tips.pivot_table('tip_pct', index=['time', 'size', 'smoker'],
columns='day', aggfunc='mean', fill_value=0)
dayFriSatSunThur
timesizesmoker
Dinner1No
0.000000
0.137931
0.000000
0.000000
Yes
0.000000
0.325733
0.000000
0.000000
2No
0.139622
0.162705
0.168859
0.159744
Yes
0.171297
0.148668
0.207893
0.000000
3No
0.000000
0.154661
0.152663
0.000000
Yes
0.000000
0.144995
0.152660
0.000000
4No
0.000000
0.150096
0.148143
0.000000
Yes
0.117750
0.124515
0.193370
0.000000
5No
0.000000
0.000000
0.206928
0.000000
Yes
0.000000
0.106572
0.065660
0.000000
6No
0.000000
0.000000
0.103799
0.000000
Lunch1No
0.000000
0.000000
0.000000
0.181728
Yes
0.223776
0.000000
0.000000
0.000000
2No
0.000000
0.000000
0.000000
0.166005
Yes
0.181969
0.000000
0.000000
0.158843
3No
0.187735
0.000000
0.000000
0.084246
Yes
0.000000
0.000000
0.000000
0.204952
4No
0.000000
0.000000
0.000000
0.138919
Yes
0.000000
0.000000
0.000000
0.155410
5No
0.000000
0.000000
0.000000
0.121389
6No
0.000000
0.000000
0.000000
0.173706
pivot_table的参数说明
|参数|说明|
|values|待聚合的列的名称,默认聚合所有数值列|
|index|用于分组的列名或其他分组键,出现在结果透视表的行|
|columns|用于分组的列名或其他分组键,出现在结果透视表的列|
|aggfunc|聚合函数或函数列表,默认是mean,可以是任何对groupby有效的函数|
|fill_value|用于替换结果中的缺失值|
|dropna|如果为True,不添加条目都为NA的列|
|margins|添加行/列小计和总计,默认为False|
交叉表:crosstab
交叉表(cross-tabulation,简称crosstab)是一种用于计算分组频率的特殊透视表。看下面的例子:
crosstab的前两个参数可以是数组或Series,或是数组列表。就像小费数据:
pd.crosstab([tips.time, tips.day], tips.smoker, margins=True)
smokerNoYesAll
timeday
DinnerFri
3
9
12
Sat
45
42
87
Sun
57
19
76
Thur
1
0
1
LunchFri
1
6
7
Thur
44
17
61
All
151
93
244
总结
掌握pandas数据分组工具既有助于数据清理,也有助于建模或统计分析工作。在第14章,我们会看几个例子,对真实数据使用groupby。
在下一章,我们将关注时间序列数据。