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。
1. groupby分组
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：
import pandas as pd
import numpy as np
data = pd.DataFrame({
"company": ["A", "B", "C", "A", "B", "C", "A", "B", "A", "A"],
"salary": [10000, 10000, 50000, 50000, 40000, 50000, 30000, 10000, 20000, 40000],
"age": [25, 30, 35, 40, 45, 20, 25, 30, 30, 35]
}
)
print('data = n', data)
上面代码输出如下：
data =
company salary age
0 A 10000 25
1 B 10000 30
2 C 50000 35
3 A 50000 40
4 B 40000 45
5 C 50000 20
6 A 30000 25
7 B 10000 30
8 A 20000 30
9 A 40000 35
1.1 单列分组
group = data.groupby("company")
print('group = ', group)
print('list(group) = n', list(group))
for index, data in group:
print('index = ', index)
print('data = n', data)
上面代码输出如下：
group =
list(group) =
[(‘A’, company salary age
0 A 10000 25
3 A 50000 40
6 A 30000 25
8 A 20000 30
9 A 40000 35), (‘B’, company salary age
1 B 10000 30
4 B 40000 45
7 B 10000 30), (‘C’, company salary age
2 C 50000 35
5 C 50000 20)]
index = A
data =
company salary age
0 A 10000 25
3 A 50000 40
6 A 30000 25
8 A 20000 30
9 A 40000 35
index = B
data =
company salary age
1 B 10000 30
4 B 40000 45
7 B 10000 30
index = C
data =
company salary age
2 C 50000 35
5 C 50000 20
1.2 多列分组
df_gb = data.groupby(['company', 'salary'])
for (index1, index2), data in df_gb:
print((index1, index2))
print('data = n', data)
上面代码输出如下：
(‘A’, 10000)
data =
company salary age
0 A 10000 25
(‘A’, 20000)
data =
company salary age
8 A 20000 30
(‘A’, 30000)
data =
company salary age
6 A 30000 25
(‘A’, 40000)
data =
company salary age
9 A 40000 35
(‘A’, 50000)
data =
company salary age
3 A 50000 40
(‘B’, 10000)
data =
company salary age
1 B 10000 30
7 B 10000 30
(‘B’, 40000)
data =
company salary age
4 B 40000 45
(‘C’, 50000)
data =
company salary age
2 C 50000 35
5 C 50000 20
1.3 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
group = data.groupby(“company”)
会得到一个DataFrameGroupBy对象，那这个生成的DataFrameGroupBy是啥呢？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。或者for循环迭代出来看。
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。
2. groupby|agg聚合
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。
2.1 对分组后所有数据进行聚合
默认情况对分组之后其他列进行聚合
df_agg = data.groupby('company').agg(['min', 'mean', 'max'])
print(df_agg)
上面代码输出如下：
salary age
min mean max min mean max
company
A 10000 30000 50000 25 31.0 40
B 10000 20000 40000 30 35.0 45
C 50000 50000 50000 20 27.5 35
2.2 对分组后的部分列进行聚合
某些情况，只需要对部分数据进行不同的聚合操作，可以通过字典来构建
print(data.groupby('company').agg({'age': ['min', 'mean', 'max']}))
上面代码输出如下：
age
min mean max
company
A 25 31.0 40
B 30 35.0 45
C 20 27.5 35
age salary
print(data.groupby('company').agg({'age': ['min', 'mean', 'max'], 'salary': 'min'}))
上面代码输出如下：
age salary
min mean max min
company
A 25 31.0 40 10000
B 30 35.0 45 10000
C 20 27.5 35 50000
print(data.groupby('company').agg({'salary': 'median', 'age': 'mean'}))
上面代码输出如下：
salary age
company
A 30000 31.0
B 10000 35.0
C 50000 27.5
2.3 agg聚合过程图解
3. groupby|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：
avg_salary_dict = data.groupby('company')['salary'].mean().to_dict()
data['avg_salary'] = data['company'].map(avg_salary_dict)
print('data = n', data)
上面代码输出如下：
data =
company salary age avg_salary
0 A 10000 25 30000
1 B 10000 30 20000
2 C 50000 35 50000
3 A 50000 40 30000
4 B 40000 45 20000
5 C 50000 20 50000
6 A 30000 25 30000
7 B 10000 30 20000
8 A 20000 30 30000
9 A 40000 35 30000
如果使用transform的话，仅需要一行代码：
data['avg_salary'] = data.groupby('company')['salary'].transform('mean')
print('data = n', data)
上面代码输出如下：
data =
company salary age avg_salary
0 A 10000 25 30000
1 B 10000 30 20000
2 C 50000 35 50000
3 A 50000 40 30000
4 B 40000 45 20000
5 C 50000 20 50000
6 A 30000 25 30000
7 B 10000 30 20000
8 A 20000 30 30000
9 A 40000 35 30000
3.1 transform实现过程图解
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。
4. groupby|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：
def get_oldest_staff(x):
df = x.sort_values(by= 'age', ascending = True)
return df.iloc[-1, :]
oldest_staff = data.groupby('company', as_index = False).apply(get_oldest_staff)
print('oldest_staff = n', oldest_staff)
上面代码输出如下：
oldest_staff =
company salary age
0 A 50000 40
1 B 40000 45
2 C 50000 35
流程图如下：
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。
到此这篇关于pandas分组聚合(agg,transform,apply)的文章就介绍到这了,更多相关pandas分组聚合内容请搜索IT俱乐部以前的文章或继续浏览下面的相关文章希望大家以后多多支持IT俱乐部！
