dask.dataframe.Index.groupby

dask.dataframe.Index.groupby¶

Index.groupby(by=None, group_keys=True, sort=None, observed=None, dropna=None, **kwargs)¶

使用映射器或通过一系列列来分组系列。

此文档字符串是从 pandas.core.series.Series.groupby 复制而来的。

Dask 版本可能存在一些不一致性。

groupby 操作涉及对象的拆分、应用函数以及结果的合并。这可以用于对大量数据进行分组并在这些组上进行计算操作。

参数

通过映射, 函数, 标签, pd.Grouper 或此类列表: 用于确定分组的组别。如果 by 是一个函数，它会在对象索引的每个值上调用。如果传递的是字典或 Series，将使用 Series 或字典的值来确定组别（Series 的值首先对齐；参见 .align() 方法）。如果传递的是与所选轴长度相等的列表或 ndarray（参见 groupby 用户指南），这些值将按原样用于确定组别。可以传递标签或标签列表，按 self 中的列进行分组。注意，元组被解释为（单个）键。
轴{0 或 ‘index’, 1 或 ‘columns’}, 默认 0 (在 Dask 中不支持): 沿行（0）或列（1）分割。对于 Series，此参数未使用，默认值为 0。

2.1.0 版后已移除: 将在未来版本中移除，并表现得像 axis=0。对于 axis=1，请改为使用 frame.T.groupby(...)。
级别int, 级别名称, 或此类序列, 默认 None (Dask 中不支持): 如果轴是 MultiIndex（分层），则按特定级别或多个级别进行分组。不要同时指定 by 和 level。
as_indexbool, 默认 True (Dask 不支持): 返回带有组标签作为索引的对象。仅与 DataFrame 输入相关。as_index=False 实际上是“SQL 风格”的分组输出。此参数对过滤（参见用户指南中的过滤），如 head()、tail()、nth() 以及转换（参见用户指南中的转换）没有影响。
排序bool, 默认 True: 排序组键。通过关闭此选项可以获得更好的性能。请注意，这不会影响每个组内观测值的顺序。Groupby 保留每个组内行的顺序。如果为 False，组将按照它们在原始 DataFrame 中的顺序出现。此参数对过滤（参见用户指南中的过滤），如 head()、tail()、nth() 以及变换（参见用户指南中的变换）没有影响。

在 2.0.0 版更改: 使用有序分类分组器时指定 sort=False 将不再对值进行排序。
group_keysbool, 默认 True: 当调用 apply 并且 by 参数产生一个类似索引的结果（即一个变换）时，将组键添加到索引中以识别片段。默认情况下，当结果的索引（和列）标签与输入匹配时，组键不包括在内，否则包括在内。

在 1.5.0 版更改: 警告：当 apply 的结果是类似索引的 Series 或 DataFrame 时，group_keys 将不再被忽略。请明确指定 group_keys 以包含或不包含组键。

在 2.0.0 版更改: group_keys 现在默认设置为 True。
观察到的bool, 默认 False: 这仅适用于分组器中的任何一个为分类变量的情况。如果为True：仅显示分类分组器的观测值。如果为False：显示分类分组器的所有值。

2.1.0 版后已移除: 在未来的pandas版本中，默认值将更改为True。
dropnabool, 默认 True: 如果为 True，并且组键包含 NA 值，则将删除 NA 值以及行/列。如果为 False，NA 值也将被视为组中的键。

返回

pandas.api.typing.SeriesGroupBy: 返回一个包含组信息的 groupby 对象。

参见

resample: 用于时间序列的频率转换和重采样的便捷方法。

注释

更多详细用法和示例，请参阅用户指南，包括将对象分组、遍历组、选择组、聚合等。

示例

>>> ser = pd.Series([390., 350., 30., 20.],  
...                 index=['Falcon', 'Falcon', 'Parrot', 'Parrot'],
...                 name="Max Speed")
>>> ser  
Falcon    390.0
Falcon    350.0
Parrot     30.0
Parrot     20.0
Name: Max Speed, dtype: float64
>>> ser.groupby(["a", "b", "a", "b"]).mean()  
a    210.0
b    185.0
Name: Max Speed, dtype: float64
>>> ser.groupby(level=0).mean()  
Falcon    370.0
Parrot     25.0
Name: Max Speed, dtype: float64
>>> ser.groupby(ser > 100).mean()  
Max Speed
False     25.0
True     370.0
Name: Max Speed, dtype: float64

按索引分组

我们可以使用 level 参数对分层索引的不同级别进行分组：

>>> arrays = [['Falcon', 'Falcon', 'Parrot', 'Parrot'],  
...           ['Captive', 'Wild', 'Captive', 'Wild']]
>>> index = pd.MultiIndex.from_arrays(arrays, names=('Animal', 'Type'))  
>>> ser = pd.Series([390., 350., 30., 20.], index=index, name="Max Speed")  
>>> ser  
Animal  Type
Falcon  Captive    390.0
        Wild       350.0
Parrot  Captive     30.0
        Wild        20.0
Name: Max Speed, dtype: float64
>>> ser.groupby(level=0).mean()  
Animal
Falcon    370.0
Parrot     25.0
Name: Max Speed, dtype: float64
>>> ser.groupby(level="Type").mean()  
Type
Captive    210.0
Wild       185.0
Name: Max Speed, dtype: float64

我们也可以通过定义 dropna 参数来选择是否在组键中包含 NA，默认设置为 True。

>>> ser = pd.Series([1, 2, 3, 3], index=["a", 'a', 'b', np.nan])  
>>> ser.groupby(level=0).sum()  
a    3
b    3
dtype: int64

>>> ser.groupby(level=0, dropna=False).sum()  
a    3
b    3
NaN  3
dtype: int64

>>> arrays = ['Falcon', 'Falcon', 'Parrot', 'Parrot']  
>>> ser = pd.Series([390., 350., 30., 20.], index=arrays, name="Max Speed")  
>>> ser.groupby(["a", "b", "a", np.nan]).mean()  
a    210.0
b    350.0
Name: Max Speed, dtype: float64

>>> ser.groupby(["a", "b", "a", np.nan], dropna=False).mean()  
a    210.0
b    350.0
NaN   20.0
Name: Max Speed, dtype: float64

dask.dataframe.Index.get_partition

dask.dataframe.Index.gt