数据聚合与分组运算——GroupBy技术(1)，有需要的朋友可以参考下。
pandas提供了一个灵活高效的groupby功能，它使你能以一种自然的方式对数据集进行切片、切块、摘要等操作。
- 根据一个或多个键（可以是函数、数组或DataFrame列名）拆分pandas对象。
- 计算分组摘要统计，如计数、平均值、标准差，或用户自定义函数。
- 对DataFrame的列应用各种各样的函数。
- 应用组内转换或其他运算，如规格化、线性回归、排名或选取子集等。
- 计算透视表或交叉表。
- 执行分位数分析以及其他分组分析。
1、分组键可以有多种形式，且类型不必相同
注意：
后三种都只是快捷方式而已，其最终目的仍然是产生一组用于拆分对象的值。
2、首先来看看下面这个非常简单的表格型数据集（以DataFrame的形式）：
>>> import pandas as pd
>>> df = pd.DataFrame({'key1':['a','a','b','a'],... 'key2':['one','two','one','one'],... 'data1':np.random.randn(5),... 'data2':np.random.randn(5)})
>>> df
data1 data2 key1 key2
0 -0.410673 0.519378 a one
1 -2.120793 0.199074 a two
2 0.642216 -0.143671 b one
3 0.975133 -0.592994 b two
4 -1.017495 -0.530459 a one
假设你想要按key1进行分组，并计算data1列的平均值，我们可以访问data1，并根据key1调用groupby：
>>> grouped = df['data1'].groupby(df['key1']) >>> grouped <pandas.core.groupby.SeriesGroupBy object at 0x04120D70> 变量grouped是一个GroupBy对象，它实际上还没有进行任何计算，只是含有一些有关分组键df['key1']的中间数据而已，然后我们可以调用GroupBy的mean方法来计算分组平均值：
>>> grouped.mean() key1 a -1.182987 b 0.808674 dtype: float64 说明： 数据（Series）根据分组键进行了聚合，产生了一个新的Series，其索引为key1列中的唯一值。之所以结果中索引的名称为key1，是因为原始DataFrame的列df['key1']就叫这个名字。
3、如果我们一次传入多个数组，就会得到不同的结果：
>>> means = df['data1'].groupby([df['key1'],df['key2']]).mean() >>> means key1 key2 a one -0.714084 two -2.120793 b one 0.642216 two 0.975133 dtype: float64
通过两个键对数据进行了分组，得到的Series具有一个层次化索引（由唯一的键对组成）：
>>> means.unstack() key2 one two key1 a -0.714084 -2.120793 b 0.642216 0.975133 在上面这些示例中，分组键均为Series。实际上，分组键可以是任何长度适当的数组：
>>> states = np.array(['Ohio','California','Ohio','Ohio']) >>> years = np.array([2005,2005,2006,2006]) >>> df['data1'].groupby([states,years]).mean() California 2005 -2.120793 2006 0.642216 Ohio 2005 0.282230 2006 -1.017495 dtype: float64 4、此外，你还可以将列名（可以是字符串、数字或其他Python对象）用作分组将：
>>> df.groupby('key1').mean() data1 data2 key1 a -1.182987 0.062665 b 0.808674 -0.368333 >>> df.groupby(['key1','key2']).mean() data1 data2 key1 key2 a one -0.714084 -0.005540 two -2.120793 0.199074 b one 0.642216 -0.143671 two 0.975133 -0.592994 说明： 在执行df.groupby('key1').mean()时，结果中没有key2列。这是因为df['key2']不是数值数据，所以被从结果中排除了。默认情况下，所有数值列都会被聚合，虽然有时可能会被过滤为一个子集。
无论你准备拿groupby做什么，都有可能会用到GroupBy的size方法，它可以返回一个含有分组大小的Series：
>>> df.groupby(['key1','key2']).size() key1 key2 a one 2 two 1 b one 1 two 1 dtype: int64 注意： 分组键中的任何缺失值都会被排除在结果之外。
5、对分组进行迭代
GroupBy对象支持迭代，可以产生一组二元元组（由分组名和数据块组成）。看看下面这个简单的数据集：
>>> for name,group in df.groupby('key1'): ... print(name) ... print(group) ... a data1 data2 key1 key2 0 -0.410673 0.519378 a one 1 -2.120793 0.199074 a two 4 -1.017495 -0.530459 a one b data1 data2 key1 key2 2 0.642216 -0.143671 b one 3 0.975133 -0.592994 b two 对于多重键的情况，元组的第一个元素将会是由键值组成的元组：
>>> for (k1,k2),group in df.groupby(['key1','key2']): ... print k1,k2 ... print group ... a one data1 data2 key1 key2 0 -0.410673 0.519378 a one 4 -1.017495 -0.530459 a one a two data1 data2 key1 key2 1 -2.120793 0.199074 a two b one data1 data2 key1 key2 2 0.642216 -0.143671 b one b two data1 data2 key1 key2 3 0.975133 -0.592994 b two 当然，你可以对这些数据片段做任何操作。有一个你可能会觉得有用的运算：将这些数据片段做成一个字典：
>>> pieces = dict(list(df.groupby('key1'))) >>> pieces['b'] data1 data2 key1 key2 2 0.642216 -0.143671 b one 3 0.975133 -0.592994 b two >>> df.groupby('key1') <pandas.core.groupby.DataFrameGroupBy object at 0x0413AE30> >>> list(df.groupby('key1')) [('a',data1 data2 key1 key2 0 -0.410673 0.519378 a one 1 -2.120793 0.199074 a two 4 -1.017495 -0.530459 a one),('b',data1 data2 key1 key2 2 0.642216 -0.143671 b one 3 0.975133 -0.592994 b two)] groupby默认是在axis=0上进行分组的，通过设置也可以在其他任何轴上进行分组。那上面例子中的df来说，我们可以根据dtype对列进行分组：
>>> df.dtypes data1 float64 data2 float64 key1 object key2 object dtype: object >>> grouped = df.groupby(df.dtypes,axis=1) >>> dict(list(grouped)) {dtype('O'): key1 key2 0 a one 1 a two 2 b one 3 b two 4 a one,dtype('float64'): data1 data2 0 -0.410673 0.519378 1 -2.120793 0.199074 2 0.642216 -0.143671 3 0.975133 -0.592994 4 -1.017495 -0.530459}
>>> grouped
<pandas.core.groupby.DataFrameGroupBy object at 0x041288F0>
>>> list(grouped)
[(dtype('float64'),data1 data2
0 -0.410673 0.519378
1 -2.120793 0.199074
2 0.642216 -0.143671
3 0.975133 -0.592994
4 -1.017495 -0.530459),(dtype('O'),key1 key2
0 a one
1 a two
2 b one
3 b two
4 a one)]
6、选取一个或一组列
对于由DataFrame产生的GroupBy对象，如果用一个（单个字符串）或一组（字符串数组）列名对其进行索引，就能实现选取部分列进行聚合的目的，即：
>>> df.groupby('key1')['data1'] <pandas.core.groupby.SeriesGroupBy object at 0x06615FD0> >>> df.groupby('key1')['data2'] <pandas.core.groupby.SeriesGroupBy object at 0x06615CB0> >>> df.groupby('key1')[['data2']] <pandas.core.groupby.DataFrameGroupBy object at 0x06615F10> 和以下代码是等效的：
>>> df['data1'].groupby([df['key1']]) <pandas.core.groupby.SeriesGroupBy object at 0x06615FD0> >>> df[['data2']].groupby([df['key1']]) <pandas.core.groupby.DataFrameGroupBy object at 0x06615F10> >>> df['data2'].groupby([df['key1']]) <pandas.core.groupby.SeriesGroupBy object at 0x06615E30> 尤其对于大数据集，很可能只需要对部分列进行聚合。例如，在前面那个数据集中，如果只需计算data2列的平均值并以DataFrame形式得到结果，代码如下：
这种索引操作所返回的对象是一个已分组的DataFrame（如果传入的是列表或数组）或已分组的Series（如果传入的是标量形式的单个列明）：
>>> s_grouped = df.groupby(['key1','key2'])['data2'] >>> s_grouped <pandas.core.groupby.SeriesGroupBy object at 0x06615B10> >>> s_grouped.mean() key1 key2 a one -0.005540 two 0.199074 b one -0.143671 two -0.592994 Name: data2,dtype: float64
7、通过字典或Series进行分组
除数组以外，分组信息还可以其他形式存在，来看一个DataFrame示例：
>>> people = pd.DataFrame(np.random.randn(5,5),... columns=['a','c','d','e'],... index=['Joe','Steve','Wes','Jim','Travis'] ... ) >>> people a b c d e Joe 0.306336 -0.139431 0.210028 -1.489001 -0.172998 Steve 0.998335 0.494229 0.337624 -1.222726 -0.402655 Wes 1.415329 0.450839 -1.052199 0.731721 0.317225 Jim 0.550551 3.201369 0.669713 0.725751 0.577687 Travis -2.013278 -2.010304 0.117713 -0.545000 -1.228323 >>> people.ix[2:3,['b','c']] = np.nan 假设已知列的分组关系，并希望根据分组计算列的总计：
>>> mapping = {'a':'red','b':'red','c':'blue',... 'd':'blue','e':'red','f':'orange'} >>> mapping {'a': 'red','c': 'blue','b': 'red','e': 'red','d': 'blue','f': 'orange'} >>> type(mapping) <type 'dict'> 现在，只需将这个字典传给groupby即可：
>>> by_column = people.groupby(mapping,axis=1) >>> by_column <pandas.core.groupby.DataFrameGroupBy object at 0x066150F0> >>> by_column.sum() blue red Joe -1.278973 -0.006092 Steve -0.885102 1.089908 Wes 0.731721 1.732554 Jim 1.395465 4.329606 Travis -0.427287 -5.251905 Series也有同样的功能，它可以被看做一个固定大小的映射。对于上面那个例子，如果用Series作为分组键，则pandas会检查Series以确保其索引跟分组轴是对齐的：
>>> map_series = pd.Series(mapping) >>> map_series a red b red c blue d blue e red f orange dtype: object >>> people.groupby(map_series,axis=1).count() blue red Joe 2 3 Steve 2 3 Wes 1 2 Jim 2 3 Travis 2 3 8、通过函数进行分组
相较于字典或Series，Python函数在定义分组映射关系时可以更有创意且更为抽象。任何被当做分组键的函数都会在各个索引值上被调用一次，其返回值就会被用作分组名称。
具体点说，以DataFrame为例，其索引值为人的名字。假设你希望根据人名的长度进行分组，虽然可以求取一个字符串长度数组，但其实仅仅传入len函数即可：
>> people.groupby(len).sum() a b c d e 3 2.272216 3.061938 0.879741 -0.031529 0.721914 5 0.998335 0.494229 0.337624 -1.222726 -0.402655 6 -2.013278 -2.010304 0.117713 -0.545000 -1.228323 将函数跟数组、列表、字典、Series混合使用也不是问题，因为任何东西最终都会被转换为数组：
>>> key_list = ['one','two'] >>> people.groupby([len,key_list]).min() a b c d e 3 one 0.306336 -0.139431 0.210028 -1.489001 -0.172998 two 0.550551 3.201369 0.669713 0.725751 0.577687 5 one 0.998335 0.494229 0.337624 -1.222726 -0.402655 6 two -2.013278 -2.010304 0.117713 -0.545000 -1.228323 9、根据索引级别分组
层次化索引数据集最方便的地方在于它能够根据索引级别进行聚合。要实现该目的，通过level关键字传入级别编号或名称即可：
>>> columns = pd.MultiIndex.from_arrays([['US','US','JP','JP'],... [1,3,5,1,3]],names=['cty','tenor']) >>> columns MultiIndex [US 1,JP 1,3] >>> hier_df = pd.DataFrame(np.random.randn(4,columns=columns) >>> hier_df cty US JP tenor 1 3 5 1 3 0 -0.166600 0.248159 -0.082408 -0.710841 -0.097131 1 -1.762270 0.687458 1.235950 -1.407513 1.304055 2 1.089944 0.258175 -0.749688 -0.851948 1.687768 3 -0.378311 -0.078268 0.247147 -0.018829 0.744540 >>> hier_df.groupby(level='cty',axis=1).count() cty JP US 0 2 3 1 2 3 2 2 3 3 2 3 原文链接：https://www.f2er.com/javaschema/283168.html
