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。
In [45]: df = pd.read_csv('data/car.csv')
In [46]: df.head(3)
Out[46]:
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。
答案:
# 1.1
df1 = df.copy()
gp = df1.groupby('Country').filter(lambda x: x.shape[0] > 2).groupby('Country')['Price']
gp.agg(['mean', ('CoV', lambda x: x.std()/x.mean()), 'size'])
# 参考答案中,size也可用count聚合函数
```python
# 1.2
item = np.empty(df1.shape[0])
a, b, c = df1.shape[0] // 3, df1.shape[0] // 3 * 2, df1.shape[0]
item[:a] = 0
item[a: b] = 1
item[b:c] = 2
df1.groupby(item)['Price'].mean()
# 1.3
res = df1.groupby('Type')[['Price', 'HP']].agg(['max', 'min'])
new_column = res.columns.map(lambda x: x[0]+'_'+x[1])
res.columns = new_column
res
# 1.3 参考答案(分别计算最大值、最小值)
res = df.groupby('Type').agg({'Price': ['max'], 'HP': ['min']})
res.columns = res.columns.map(lambda x:'_'.join(x))
res
# 1.4
df1.groupby('Type')['HP'].transform(lambda x: (x-x.min())/(x.max()-x.min()))
# 1.5
def corr(x):
return x.corr().loc['Disp.', 'HP']
df1.groupby('Type')[['Disp.', 'HP']].apply(corr)
# 1.5 参考答案
df.groupby('Type')[['HP', 'Disp.']].apply(
lambda x:np.corrcoef(x['HP'].values, x['Disp.'].values)[0,1])
# 1.利用np.corrcoef函数
# 2.pandas底层a用numpy实现,因此Series.value类型为np.array
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
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, 'Type')
单列分组
def f(s):
res = (s-s.min())/(s.max()-s.min())
return res
my_groupby(df, 'Type')['Price'].transform(f).head()
df.groupby('Type')['Price'].transform(f).head()
多列分组
my_groupby(df, ['Type','Country'])['Price'].transform(f).head()
df.groupby(['Type','Country'])['Price'].transform(f).head()
标量广播
my_groupby(df, 'Type')['Price'].transform(lambda x:x.mean()).head()
df.groupby('Type')['Price'].transform(lambda x:x.mean()).head()
跨列计算
my_groupby(df, 'Type')['Disp.', 'HP'].transform(lambda x: x['Disp.']/x.HP).head()
心得体会
- 分组是SQL中也很重要的内容,相对来说pandas的接口更加容易调用
- 最后一题真的难,想要像元昊大佬写出优美的代码还有很大差距呢
- 辛苦助教!今天过圣诞早点配女朋友!第五章之后会对前几章的函数方法做一个大的汇总便于之后查看!