Pandas数据分析——超好用的Groupby详解
共 4515字,需浏览 10分钟
·
2020-01-15 23:25
作者:易执
来源:Python读财
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)
}
)
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]: 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),均是基于分组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。
agg分组聚合
聚合操作是groupby
后常见的操作,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,如果我想计算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,可以利用字典指定进行聚合操作:
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):
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。
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,你会几板?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
,以分组后的分组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。
◆ ◆ ◆ ◆ ◆
长按二维码关注我们
数据森麟公众号的交流群已经建立,许多小伙伴已经加入其中,感谢大家的支持。大家可以在群里交流关于数据分析&数据挖掘的相关内容,还没有加入的小伙伴可以扫描下方管理员二维码,进群前一定要关注公众号奥,关注后让管理员帮忙拉进群,期待大家的加入。
管理员二维码: