這期內(nèi)容當(dāng)中小編將會(huì)給大家?guī)?lái)有關(guān)groupby( )函數(shù)怎么在Pandas中使用，文章內(nèi)容豐富且以專(zhuān)業(yè)的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

網(wǎng)站建設(shè)哪家好，找創(chuàng)新互聯(lián)建站！專(zhuān)注于網(wǎng)頁(yè)設(shè)計(jì)、網(wǎng)站建設(shè)、微信開(kāi)發(fā)、小程序制作、集團(tuán)企業(yè)網(wǎng)站建設(shè)等服務(wù)項(xiàng)目。為回饋新老客戶創(chuàng)新互聯(lián)還提供了松江免費(fèi)建站歡迎大家使用！

groupby官方解釋

DataFrame.groupby(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs)

Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.

講真的，非常不能理解pandas官方文檔的這種表達(dá)形式，讓人真的有點(diǎn)摸不著頭腦，example給得又少，參數(shù)也不給得很清楚，不過(guò)沒(méi)有辦法，還是只能選擇原諒他。

groupby我用過(guò)的用法

基本用法我這里就不呈現(xiàn)了，我覺(jué)得用過(guò)一次的人基本不會(huì)忘記，這里我主要寫(xiě)一下我用過(guò)的關(guān)系groupby函數(shù)的疑惑：

apply & agg

這個(gè)問(wèn)題著實(shí)困擾了我很久，經(jīng)過(guò)研究，找了一些可能幫助理解的東西。先舉一個(gè)例子：

import pandas as pd
df = pd.DataFrame({'Q':['LI','ZHANG','ZHANG','LI','WANG'], 'A' : [1,1,1,2,2], 'B' : [1,-1,0,1,2], 'C' : [3,4,5,6,7]})

	A	B	C	Q
0	1	1	3	LI
1	1	-1	4	ZHANG
2	1	0	5	ZHANG
3	2	1	6	LI
4	2	2	7	WANG

df.groupby('Q').apply(lambda x:print(x))

       A  B  C   Q
    0  1  1  3  LI
    3  2  1  6  LI
       A  B  C   Q
    0  1  1  3  LI
    3  2  1  6  LI
       A  B  C     Q
    4  2  2  7  WANG
       A  B  C      Q
    1  1 -1  4  ZHANG
    2  1  0  5  ZHANG

df.groupby('Q').agg(lambda x:print(x))

    0    1
    3    2
    Name: A, dtype: int64
    4    2
    Name: A, dtype: int64
    1    1
    2    1
    Name: A, dtype: int64
    0    1
    3    1
    Name: B, dtype: int64
    4    2
    Name: B, dtype: int64
    1   -1
    2    0
    Name: B, dtype: int64
    0    3
    3    6
    Name: C, dtype: int64
    4    7
    Name: C, dtype: int64
    1    4
    2    5
    Name: C, dtype: int64

	A	B	C
Q
LI	None	None	None
WANG	None	None	None
ZHANG	None	None	None

從這個(gè)例子可以看出，使用apply()處理的對(duì)象是一個(gè)個(gè)的類(lèi)如DataFrame的數(shù)據(jù)表，然而agg()則每次只傳入一列。

不過(guò)我覺(jué)得這一點(diǎn)區(qū)別在實(shí)際應(yīng)用中分別并不大，因?yàn)镮python的Out輸出對(duì)于這兩個(gè)函數(shù)幾乎沒(méi)有差別，不管是處理一列還是一表。

我覺(jué)得agg()有一點(diǎn)讓我很開(kāi)心就是他可以同時(shí)傳入多個(gè)函數(shù)，簡(jiǎn)直不要太方便哈哈：

df.groupby('Q').agg(['mean','std','count','max'])

	A				B				C
	mean	std	count	max	mean	std	count	max	mean	std	count	max
Q
LI	1.5	0.707107	2	2	1.0	0.000000	2	1	4.5	2.121320	2	6
WANG	2.0	NaN	1	2	2.0	NaN	1	2	7.0	NaN	1	7
ZHANG	1.0	0.000000	2	1	-0.5	0.707107	2	0	4.5	0.707107	2	5

Plotting

這個(gè)也是我剛剛學(xué)會(huì)的，groupby的plot簡(jiǎn)直不要太方便了：(不過(guò)這個(gè)例子選的不是很好)

%matplotlib inline
df.groupby('Q').agg(['mean','std','count','max']).plot(kind='bar')

<matplotlib.axes._subplots.AxesSubplot at 0x1133bd710>

MultiIndex

這個(gè)是困擾我最多的一個(gè)問(wèn)題，因?yàn)槿绻襣roupby的時(shí)候選擇了兩個(gè)level，之后的data總是呈現(xiàn)透視表的形式，如：

Muldf = df.groupby(['Q','A']).agg('mean')
print(Muldf)

               B    C
    Q     A         
    LI    1  1.0  3.0
          2  1.0  6.0
    WANG  2  2.0  7.0
    ZHANG 1 -0.5  4.5

我開(kāi)始甚至以為這應(yīng)該不是dataframe，是一個(gè)我可能沒(méi)注意過(guò)的一個(gè)東西，可是后來(lái)我發(fā)現(xiàn)，這不過(guò)是MultiIndex形式的一種dataframe罷了。

Muldf.B

    Q      A
    LI     1    1.0
           2    1.0
    WANG   2    2.0
    ZHANG  1   -0.5
    Name: B, dtype: float64

如果要選擇某一個(gè)index，用`xs()`函數(shù)：

Muldf.xs('LI')

	B	C
A
1	1.0	3.0
2	1.0	6.0

PS：有個(gè)問(wèn)題困擾好久了，怎么把multiindex對(duì)象變回原來(lái)的形式呢。如：

Multiindex格式如下：（a, b, c, ...），

index	column
(a1,b1,c1)	d1
(a2,b2,c2)	d2

直接調(diào)用函數(shù)reset_index()，Multiindex中（a, b, c, ...）就變成columns了，index重置為（0,1,2,...), 如下：

index				column
0	a1	b1	c1	d1
1	a2	b2	c2	d2

上述就是小編為大家分享的groupby( )函數(shù)怎么在Pandas中使用了，如果剛好有類(lèi)似的疑惑，不妨參照上述分析進(jìn)行理解。如果想知道更多相關(guān)知識(shí)，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道。

當(dāng)前名稱：groupby()函數(shù)怎么在Pandas中使用-創(chuàng)新互聯(lián)
鏈接分享：http://chinadenli.net/article38/didopp.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供域名注冊(cè)、網(wǎng)站設(shè)計(jì)、商城網(wǎng)站、服務(wù)器托管、標(biāo)簽優(yōu)化、靜態(tài)網(wǎng)站

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)