Pandas怎样实现groupby分组统计
类似SQL：
select city,max(temperature) from city_weather group by city;
groupby：先对数据分组，然后在每个分组上应用聚合函数、转换函数
本次演示：
一、分组使用聚合函数做数据统计
二、遍历groupby的结果理解执行流程
三、实例分组探索天气数据
import pandas as pd
import numpy as np
# 加上这一句，能在jupyter notebook展示matplot图表
%matplotlib inline
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)})
df
| A | B | C | D | |
|---|---|---|---|---|
| 0 | foo | one | 0.542903 | 0.788896 |
| 1 | bar | one | -0.375789 | -0.345869 |
| 2 | foo | two | -0.903407 | 0.428031 |
| 3 | bar | three | -1.564748 | 0.081163 |
| 4 | foo | two | -1.093602 | 0.837348 |
| 5 | bar | two | -0.202403 | 0.701301 |
| 6 | foo | one | -0.665189 | -1.505290 |
| 7 | foo | three | -0.498339 | 0.534438 |
一、分组使用聚合函数做数据统计
1、单个列groupby，查询所有数据列的统计
df.groupby('A').sum()
| C | D | |
|---|---|---|
| A | ||
| bar | -2.142940 | 0.436595 |
| foo | -2.617633 | 1.083423 |
我们看到：
groupby中的'A'变成了数据的索引列
因为要统计sum，但B列不是数字，所以被自动忽略掉
2、多个列groupby，查询所有数据列的统计
df.groupby(['A','B']).mean()
| C | D | ||
|---|---|---|---|
| A | B | ||
| bar | one | -0.375789 | -0.345869 |
| three | -1.564748 | 0.081163 | |
| two | -0.202403 | 0.701301 | |
| foo | one | -0.061143 | -0.358197 |
| three | -0.498339 | 0.534438 | |
| two | -0.998504 | 0.632690 |
我们看到：('A','B')成对变成了二级索引
df.groupby(['A','B'], as_index=False).mean()
| A | B | C | D | |
|---|---|---|---|---|
| 0 | bar | one | -0.375789 | -0.345869 |
| 1 | bar | three | -1.564748 | 0.081163 |
| 2 | bar | two | -0.202403 | 0.701301 |
| 3 | foo | one | -0.061143 | -0.358197 |
| 4 | foo | three | -0.498339 | 0.534438 |
| 5 | foo | two | -0.998504 | 0.632690 |
3、同时查看多种数据统计
df.groupby('A').agg([np.sum, np.mean, np.std])
| C | D | |||||
|---|---|---|---|---|---|---|
| sum | mean | std | sum | mean | std | |
| A | ||||||
| bar | -2.142940 | -0.714313 | 0.741583 | 0.436595 | 0.145532 | 0.526544 |
| foo | -2.617633 | -0.523527 | 0.637822 | 1.083423 | 0.216685 | 0.977686 |
我们看到：列变成了多级索引
4、查看单列的结果数据统计
# 方法1：预过滤，性能更好
df.groupby('A')['C'].agg([np.sum, np.mean, np.std])
| sum | mean | std | |
|---|---|---|---|
| A | |||
| bar | -2.142940 | -0.714313 | 0.741583 |
| foo | -2.617633 | -0.523527 | 0.637822 |
# 方法2
df.groupby('A').agg([np.sum, np.mean, np.std])['C']
| sum | mean | std | |
|---|---|---|---|
| A | |||
| bar | -2.142940 | -0.714313 | 0.741583 |
| foo | -2.617633 | -0.523527 | 0.637822 |
5、不同列使用不同的聚合函数
df.groupby('A').agg({"C":np.sum, "D":np.mean})
| C | D | |
|---|---|---|
| A | ||
| bar | -2.142940 | 0.145532 |
| foo | -2.617633 | 0.216685 |
二、遍历groupby的结果理解执行流程
for循环可以直接遍历每个group
1、遍历单个列聚合的分组
g = df.groupby('A')
g
<pandas.core.groupby.generic.DataFrameGroupBy object at 0x00000123B250E548>
for name,group in g:
print(name)
print(group)
print()
bar
A B C D
1 bar one -0.375789 -0.345869
3 bar three -1.564748 0.081163
5 bar two -0.202403 0.701301
foo
A B C D
0 foo one 0.542903 0.788896
2 foo two -0.903407 0.428031
4 foo two -1.093602 0.837348
6 foo one -0.665189 -1.505290
7 foo three -0.498339 0.534438
可以获取单个分组的数据
g.get_group('bar')
| A | B | C | D | |
|---|---|---|---|---|
| 1 | bar | one | -0.375789 | -0.345869 |
| 3 | bar | three | -1.564748 | 0.081163 |
| 5 | bar | two | -0.202403 | 0.701301 |
2、遍历多个列聚合的分组
g = df.groupby(['A', 'B'])
for name,group in g:
print(name)
print(group)
print()
('bar', 'one')
A B C D
1 bar one -0.375789 -0.345869
('bar', 'three')
A B C D
3 bar three -1.564748 0.081163
('bar', 'two')
A B C D
5 bar two -0.202403 0.701301
('foo', 'one')
A B C D
0 foo one 0.542903 0.788896
6 foo one -0.665189 -1.505290
('foo', 'three')
A B C D
7 foo three -0.498339 0.534438
('foo', 'two')
A B C D
2 foo two -0.903407 0.428031
4 foo two -1.093602 0.837348
可以看到，name是一个2个元素的tuple，代表不同的列
g.get_group(('foo', 'one'))
| A | B | C | D | |
|---|---|---|---|---|
| 0 | foo | one | 0.542903 | 0.788896 |
| 6 | foo | one | -0.665189 | -1.505290 |
可以直接查询group后的某几列，生成Series或者子DataFrame
g['C']
<pandas.core.groupby.generic.SeriesGroupBy object at 0x00000123C33F64C8>
for name, group in g['C']:
print(name)
print(group)
print(type(group))
print()
('bar', 'one')
1 -0.375789
Name: C, dtype: float64
<class 'pandas.core.series.Series'>
('bar', 'three')
3 -1.564748
Name: C, dtype: float64
<class 'pandas.core.series.Series'>
('bar', 'two')
5 -0.202403
Name: C, dtype: float64
<class 'pandas.core.series.Series'>
('foo', 'one')
0 0.542903
6 -0.665189
Name: C, dtype: float64
<class 'pandas.core.series.Series'>
('foo', 'three')
7 -0.498339
Name: C, dtype: float64
<class 'pandas.core.series.Series'>
('foo', 'two')
2 -0.903407
4 -1.093602
Name: C, dtype: float64
<class 'pandas.core.series.Series'>
其实所有的聚合统计，都是在dataframe和series上进行的；
三、实例分组探索天气数据
fpath = "./datas/beijing_tianqi/beijing_tianqi_2018.csv"
df = pd.read_csv(fpath)
# 替换掉温度的后缀℃
df.loc[:, "bWendu"] = df["bWendu"].str.replace("℃", "").astype('int32')
df.loc[:, "yWendu"] = df["yWendu"].str.replace("℃", "").astype('int32')
df.head()
| ymd | bWendu | yWendu | tianqi | fengxiang | fengli | aqi | aqiInfo | aqiLevel | |
|---|---|---|---|---|---|---|---|---|---|
| 0 | 2018-01-01 | 3 | -6 | 晴~多云 | 东北风 | 1-2级 | 59 | 良 | 2 |
| 1 | 2018-01-02 | 2 | -5 | 阴~多云 | 东北风 | 1-2级 | 49 | 优 | 1 |
| 2 | 2018-01-03 | 2 | -5 | 多云 | 北风 | 1-2级 | 28 | 优 | 1 |
| 3 | 2018-01-04 | 0 | -8 | 阴 | 东北风 | 1-2级 | 28 | 优 | 1 |
| 4 | 2018-01-05 | 3 | -6 | 多云~晴 | 西北风 | 1-2级 | 50 | 优 | 1 |
# 新增一列为月份
df['month'] = df['ymd'].str[:7]
df.head()
| ymd | bWendu | yWendu | tianqi | fengxiang | fengli | aqi | aqiInfo | aqiLevel | month | |
|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 2018-01-01 | 3 | -6 | 晴~多云 | 东北风 | 1-2级 | 59 | 良 | 2 | 2018-01 |
| 1 | 2018-01-02 | 2 | -5 | 阴~多云 | 东北风 | 1-2级 | 49 | 优 | 1 | 2018-01 |
| 2 | 2018-01-03 | 2 | -5 | 多云 | 北风 | 1-2级 | 28 | 优 | 1 | 2018-01 |
| 3 | 2018-01-04 | 0 | -8 | 阴 | 东北风 | 1-2级 | 28 | 优 | 1 | 2018-01 |
| 4 | 2018-01-05 | 3 | -6 | 多云~晴 | 西北风 | 1-2级 | 50 | 优 | 1 | 2018-01 |
1、查看每个月的最高温度
data = df.groupby('month')['bWendu'].max()
data
month
2018-01 7
2018-02 12
2018-03 27
2018-04 30
2018-05 35
2018-06 38
2018-07 37
2018-08 36
2018-09 31
2018-10 25
2018-11 18
2018-12 10
Name: bWendu, dtype: int32
type(data)
pandas.core.series.Series
data.plot()
<matplotlib.axes._subplots.AxesSubplot at 0x123c344b308>
png
2、查看每个月的最高温度、最低温度、平均空气质量指数
df.head()
| ymd | bWendu | yWendu | tianqi | fengxiang | fengli | aqi | aqiInfo | aqiLevel | month | |
|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 2018-01-01 | 3 | -6 | 晴~多云 | 东北风 | 1-2级 | 59 | 良 | 2 | 2018-01 |
| 1 | 2018-01-02 | 2 | -5 | 阴~多云 | 东北风 | 1-2级 | 49 | 优 | 1 | 2018-01 |
| 2 | 2018-01-03 | 2 | -5 | 多云 | 北风 | 1-2级 | 28 | 优 | 1 | 2018-01 |
| 3 | 2018-01-04 | 0 | -8 | 阴 | 东北风 | 1-2级 | 28 | 优 | 1 | 2018-01 |
| 4 | 2018-01-05 | 3 | -6 | 多云~晴 | 西北风 | 1-2级 | 50 | 优 | 1 | 2018-01 |
group_data = df.groupby('month').agg({"bWendu":np.max, "yWendu":np.min, "aqi":np.mean})
group_data
| bWendu | yWendu | aqi | |
|---|---|---|---|
| month | |||
| 2018-01 | 7 | -12 | 60.677419 |
| 2018-02 | 12 | -10 | 78.857143 |
| 2018-03 | 27 | -4 | 130.322581 |
| 2018-04 | 30 | 1 | 102.866667 |
| 2018-05 | 35 | 10 | 99.064516 |
| 2018-06 | 38 | 17 | 82.300000 |
| 2018-07 | 37 | 22 | 72.677419 |
| 2018-08 | 36 | 20 | 59.516129 |
| 2018-09 | 31 | 11 | 50.433333 |
| 2018-10 | 25 | 1 | 67.096774 |
| 2018-11 | 18 | -4 | 105.100000 |
| 2018-12 | 10 | -12 | 77.354839 |
group_data.plot()
<matplotlib.axes._subplots.AxesSubplot at 0x123c5502d48>
