Pandas之超好用的Groupby用法详解

讨论 玄魂
Lv2 初级炼丹师
发布在 Pandas   576   2
讨论 玄魂   576   2

    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,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]: group
    Out[6]: 

    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。

    二、agg 聚合操作

    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    age
    company
    A         21.50  27.50
    B         13.00  29.00
    C         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    age
    company
    A          21.5  27.50
    B          10.0  29.00
    C          30.0  27.25

    agg聚合过程可以图解如下(第二个例子为例):


    三、transform

    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]: data
    Out[23]:
      company  salary  age  avg_salary
    0       C      43   35       29.25
    1       C      17   25       29.25
    2       C       8   30       29.25
    3       A      20   22       21.50
    4       B      10   17       13.00
    5       B      21   40       13.00
    6       A      23   33       21.50
    7       C      49   19       29.25
    8       B       8   30       13.00

    如果使用transform的话,仅需要一行代码:

    In [24]: data['avg_salary'] = data.groupby('company')['salary'].transform('mean')
    ​
    In [25]: data
    Out[25]:
      company  salary  age  avg_salary
    0       C      43   35       29.25
    1       C      17   25       29.25
    2       C       8   30       29.25
    3       A      20   22       21.50
    4       B      10   17       13.00
    5       B      21   40       13.00
    6       A      23   33       21.50
    7       C      49   19       29.25
    8       B       8   30       13.00

    还是以图解的方式来看看进行groupby后transform的实现过程(为了更直观展示,图中加入了company列,实际按照上面的代码只有salary列):

    图中的大方框是transform和agg所不一样的地方,对agg而言,会计算得到A,B,C公司对应的均值并直接返回,但对transform而言,则会对每一条数据求得相应的结果,同一组内的样本会有相同的值,组内求完均值后会按照原索引的顺序返回结果,如果有不理解的可以拿这张图和agg那张对比一下。

    四、apply

    apply应该是大家的老朋友了,它相比agg和transform而言更加灵活,能够传入任意自定义的函数,实现复杂的数据操作。在Pandas数据处理三板斧——map、apply、applymap详解中,介绍了apply的使用,那在groupby后使用apply和之前所介绍的有什么区别呢?

    区别是有的,但是整个实现原理是基本一致的。两者的区别在于,对于groupby后的apply,以分组后的子DataFrame作为参数传入指定函数的,基本操作单位是DataFrame,而之前介绍的apply的基本操作单位是Series。还是以一个案例来介绍groupby后的apply用法。

    假设我现在需要获取各个公司年龄最大的员工的数据,该怎么实现呢?可以用以下代码实现:

    In [38]: def get_oldest_staff(x):
        ...:     df = x.sort_values(by = 'age',ascending=True)
        ...:     return df.iloc[-1,:]
        ...:
    ​
    In [39]: oldest_staff = data.groupby('company',as_index=False).apply(get_oldest_staff)
    ​
    In [40]: oldest_staff
    Out[40]:
      company  salary  age  
    0       A      23   33       
    1       B      21   40       
    2       C      43   35      

    这样便得到了每个公司年龄最大的员工的数据,整个流程图解如下:

    可以看到,此处的apply和上篇文章中所介绍的作用原理基本一致,只是传入函数的参数由Series变为了此处的分组DataFrame。

    最后,关于apply的使用,这里有个小建议,虽然说apply拥有更大的灵活性,但apply的运行效率会比agg和transform更慢。所以,groupby之后能用agg和transform解决的问题还是优先使用这两个方法,实在解决不了了才考虑使用apply进行操作。

    版权声明:作者保留权利,不代表意本站立场。如需转载请联系本站以及作者。

    参与讨论

    回复《 Pandas之超好用的Groupby用法详解

    EditorJs 编辑器

    沙发,很寂寞~
    反馈
    to-top--btn