在日常的数据分析中,经常需要将数据根据某个(多个)字段划分为不同的群体(group)进行分析,如电商领域将全国的总销售额根据省份进行划分,分析各省销售额的变化情况,社交领域将用户根据画像(性别、年龄)进行细分,研究用户的使用情况和偏好等。在Pandas中,上述的数据处理操作主要运用groupby
完成,这篇文章就介绍一下groupby
的基本原理及对应的agg
、transform
和apply
操作。
为了后续图解的方便,采用模拟生成的10个样本数据,代码和数据如下:
company=["A","B","C"]data=pd.DataFrame({ "company":[company[x] for x in np.random.randint(0(楚楚baby是什么梗?楚楚baby这个梗就是出自抖音上面一位叫辣目洋子出演的搞笑视频,这个视频里面,辣目洋子饰演的是一个非常火的网络主播,名字叫“楚楚baby”。然而楚楚baby却因为太火了,所以遭到歹徒的绑架,绑匪看到本人不相信这个就是楚楚baby,之后把手机拿出来打开美颜和滤镜,结果发现,她就是所谓的“楚楚baby”这个梗也就是用来嘲讽那些见光死的网红,不管在直播面前多么的好看,看到本人之后竟然都不认识了。),len(company),10)], "salary":np.random.randint(5,50,10), "age":np.random.randint(15,50,10)})
一、Groupby的基本原理在pandas中,实现分组操作的代码很简单,仅需一行代码,在这里,将上面的数据集按照company
字段进行划分:
In [5]: group = data.groupby("company")
将上述代码输入ipython
后,会得到一个DataFrameGroupBy
对象
In [6]: groupOut[6]: <pandas.core.groupby.generic.DataFrameGroupBy object at 0x000002B7E2650240>
那这个生成的DataFrameGroupBy
是啥呢?对data
进行了groupby
后发生了什么?ipython
所返回的结果是其内存地址,并不利于直观地理解,为了看看group
内部究竟是什么,这里把group
转换成list
的形式来看一看:
In [8]: list(group)Out[8]:[('A', company salary age 3 A 20 22 6 A 23 33), ('B', company salary age 4 B 10 17 5 B 21 40 8 B 8 30), ('C', company salary age 0 C 43 35 1 C 17 25 2 C 8 30 7 C 49 19)]
转换成列表的形式后,可以看到,列表由三个元组组成,每个元组中,第一个元素是组别(这里是按照company
进行分组,所以最后分为了A
,B
,C
),第二个元素的是对应组别下的DataFrame
,整个过程可以图解如下:
总结来说,groupby
的过程就是将原有的DataFrame
按照groupby
的字段(这里是company
),划分为若干个分组DataFrame
,被分为多少个组就有多少个分组DataFrame
。所以说,在groupby
之后的一系列操作(如agg
、apply
等),均是基于子DataFrame
的操作。理解了这点,也就基本摸清了Pandas中groupby
操作的主要原理。下面来讲讲groupby
之后的常见操作。
聚合操作是groupby
后非常常见的操作,会写SQL
的朋友对此应该是非常熟悉了。聚合操作可以用来求和、均值、最大值、最小值等,下面的表格列出了Pandas中常见的聚合操作。
针对样例数据集,如果我想求不同公司员工的平均年龄和平均薪水,可以按照下方的代码进行:
In [12]: data.groupby("company").agg('mean')Out[12]: salary agecompanyA 21.50 27.50B 13.00 29.00C 29.25 27.25
如果想对针对不同的列求不同的值,比如要计算不同公司员工的平均年龄以及薪水的中位数,可以利用字典进行聚合操作的指定:
In [17]: data.groupby('company').agg({'salary':'median','age':'mean'})Out[17]: salary agecompanyA 21.5 27.50B 10.0 29.00C 30.0 27.25
agg
聚合过程可以图解如下(第二个例子为例):
transform
是一种什么数据操作?和agg
有什么区别呢?为了更好地理解transform
和agg
的不同,下面从实际的应用场景出发进行对比。
在上面的agg
中,我们学会了如何求不同公司员工的平均薪水,如果现在需要在原数据集中新增一列avg_salary
,代表员工所在的公司的平均薪水(相同公司的员工具有一样的平均薪水),该怎么实现呢?如果按照正常的步骤来计算,需要先求得不同公司的平均薪水,然后按照员工和公司的对应关系填充到对应的位置,不用transform
的话,实现代码如下:
In [21]: avg_salary_dict = data.groupby('company')['salary'].mean().to_dict()In [22]: data['avg_salary'] = data['company'].map(avg_salary_dict)In [23]: dataOut[23]: company salary age avg_salary0 C 43 35 29.251 C 17 25 29.252 C 8 30 29.253 A 20 22 21.504 B 10 17 13.005 B 21 40 13.006 A 23 33