数据分析-Pandas的核心操作groupby简介

数据分析和处理中，难免会遇到各种数据，那么数据呈现怎样的规律呢？不管金融数据，风控数据，营销数据等等，莫不如此。如何通过图示展示数据的规律？

数据表，时间序列数据在数据分析建模中很常见，例如天气预报，空气状态监测，股票交易等金融场景。数据分析过程中重新调整，重塑数据表是很重要的技巧，此处选择Titanic数据，以及巴黎、伦敦欧洲城市空气质量监测 N O 2 NO_2 NO2数据作为样例。

数据分析

数据分析-Pandas如何转换产生新列

数据分析-Pandas如何统计数据概况

数据分析-Pandas如何轻松处理时间序列数据

数据分析-Pandas如何选择数据子集

数据分析-Pandas如何重塑数据表-CSDN博客

实验数据分析处理，股票序列，时间序列，信号序列，有时候表格的数据需要进行分类，拆分，分组处理，，针对每组进行分类处理，处理后的结果还想汇总起来。这是pandas很常见的使用场景，pandas如何通过groupby，分步骤进行数据分类、处理、汇总呢？

Group by的意义：split-apply-combine

通过"group by"，是包含以下一项或多项的步骤：

拆分：根据某些条件将数据拆分为几组。
应用：对每个组进行独立的函数操作。
合并：将结果合并到一定数据结构中。

其中，拆分步骤的操作就是字面的意思，最直接直白的。

而在应用步骤中，可能希望执行下列操作之一：

聚合：为每个分组计算汇总统计量，统计数据。例如：
- 计算组总和或均值。
- 计算组大小/计数。
转换：执行一些特定组的计算，并返回一个 like-indexed 对象。例如：
- 标准化操作分组的数据（zscore）。
- 填充NA值，使用每个组派生计算的值填充组内的 NA。
过滤：筛掉一些分组，根据组为单位计算，筛选条件计算结果为 True 或 False。例如：
- 丢弃占比低，少数成员的组数据。
- 根据总和或平均值来筛选分组。

其中许多操作是在 GroupBy 对象上定义的，例如聚合 API、窗口 API 和重采样 API。

也有有这样可能情况，例如给定的操作并没有落入到任何一个分类数据中，或者只是一些分组合并。

在这些情形下，最合适的可能就是使用GroupBy计算。这样的计算会检查应用计算步骤后的结果，并且尽量把这些分组结果合并为一个最后结果，当如果这些并不适合上述的类型数据。

使用内置 GroupBy ，把一个操作拆分为多个步骤，比用户定义的 Python 函数更有效。

当然，GroupBy 这个名字，对于使用过的SQL语言人来说，应该很熟悉，您会常常编写如下代码：

SELECT Column1, Column2, mean(Column3), sum(Column4)
FROM SomeTable
GROUP BY Column1, Column2

我们的目标是通过pandas，让这些操作更加自然，容易表达。后续我们将讨论各个方面的 GroupBy 的功能，同时提供一些样例。

Splitting拆分

分组的抽象定义是提供映射规则把数据映射到分组，标签。创建 GroupBy 对象，您可以执行以下操作：

python 复制代码

In [1]: speeds = pd.DataFrame(
   ...:     [
   ...:         ("bird", "Falconiformes", 389.0),
   ...:         ("bird", "Psittaciformes", 24.0),
   ...:         ("mammal", "Carnivora", 80.2),
   ...:         ("mammal", "Primates", np.nan),
   ...:         ("mammal", "Carnivora", 58),
   ...:     ],
   ...:     index=["falcon", "parrot", "lion", "monkey", "leopard"],
   ...:     columns=("class", "order", "max_speed"),
   ...: )
   ...: 

In [2]: speeds
Out[2]: 
          class           order  max_speed
falcon     bird   Falconiformes      389.0
parrot     bird  Psittaciformes       24.0
lion     mammal       Carnivora       80.2
monkey   mammal        Primates        NaN
leopard  mammal       Carnivora       58.0

In [3]: grouped = speeds.groupby("class")

In [4]: grouped = speeds.groupby(["class", "order"])

可以通过多种不同的方式指定映射：

Python 函数，被每个索引标签调用。
列表或 NumPy 数组，与索引长度相同。
字典或序列，提供label -> group name映射。
对于DataFrame对象，字符串标定的列名或用于索引级别分组。
列表包含上述任何一项。

总之，将分组对象统称为键。例如，考虑以下几点：

python 复制代码

In [5]: df = pd.DataFrame(
   ...:     {
   ...:         "A": ["foo", "bar", "foo", "bar", "foo", "bar", "foo", "foo"],
   ...:         "B": ["one", "one", "two", "three", "two", "two", "one", "three"],
   ...:         "C": np.random.randn(8),
   ...:         "D": np.random.randn(8),
   ...:     }
   ...: )
   ...: 

In [6]: df
Out[6]: 
     A      B         C         D
0  foo    one  0.469112 -0.861849
1  bar    one -0.282863 -2.104569
2  foo    two -1.509059 -0.494929
3  bar  three -1.135632  1.071804
4  foo    two  1.212112  0.721555
5  bar    two -0.173215 -0.706771
6  foo    one  0.119209 -1.039575
7  foo  three -1.044236  0.271860

DataFrame 的groupby

在 DataFrame 上，可以通过调用 groupby方法返回，来获取 GroupBy 对象。可以按A 或B 列，或两者结合进行分组：

python 复制代码

In [7]: grouped = df.groupby("A")

In [8]: grouped = df.groupby("B")

In [9]: grouped = df.groupby(["A", "B"])

实际上，df.groupby('A') 和 df.groupby(df['A']) 效果是一致的。

如果我们在列 A 和 B上设置多标签 MultiIndex，可以按所有列，除了指定的列以外：

python 复制代码

In [10]: df2 = df.set_index(["A", "B"])
In [11]: grouped = df2.groupby(level=df2.index.names.difference(["B"]))

In [12]: grouped.sum()
Out[12]: 
            C         D
A                      
bar -1.591710 -1.739537
foo -0.752861 -1.402938

上面的 GroupBy 将拆分其索引（行）上的 DataFrame。要按列拆分，首先要执行转置：

python 复制代码

In [13]: def get_letter_type(letter):
   ....:     if letter.lower() in 'aeiou':
   ....:         return 'vowel'
   ....:     else:
   ....:         return 'consonant'
   ....: 

In [14]: grouped = df.T.groupby(get_letter_type)

Pandas 的index 对象支持重复值。如果非唯一索引用作 GroupBy 操作中的组键，所有值对于相同的索引值将被视为在一组中，因此聚合函数的输出将仅包含唯一的索引值，例如：

python 复制代码

In [15]: index = [1, 2, 3, 1, 2, 3]

In [16]: s = pd.Series([1, 2, 3, 10, 20, 30], index=index)

In [17]: s
Out[17]: 
1     1
2     2
3     3
1    10
2    20
3    30
dtype: int64

In [18]: grouped = s.groupby(level=0)

In [19]: grouped.first()
Out[19]: 
1    1
2    2
3    3
dtype: int64

In [20]: grouped.last()
Out[20]: 
1    10
2    20
3    30
dtype: int64

In [21]: grouped.sum()
Out[21]: 
1    11
2    22
3    33
dtype: int64