按组操作: 分割-应用-合并#
通过“分组依据”，我们指的是涉及以下一个或多个步骤的过程：
Splitting 根据某些标准将数据分成组。
应用 一个函数到每个独立的分组。
将 结果合并到一个数据结构中。
在这些步骤中，分割步骤是最直接的。在应用步骤中，我们可能希望执行以下操作之一：
聚合：为每个组计算一个汇总统计量（或多个统计量）。一些例子：
计算组的总和或均值。
计算组大小/数量。
转换：执行一些特定于组的计算并返回一个类似索引的对象。一些例子：
在组内标准化数据（zscore）。
在每个组内用从每个组派生的值填充NA。
过滤：根据对每个组的计算结果（评估为真或假），丢弃一些组。一些例子：
丢弃属于只有少数成员的组的数据。
基于组的总和或平均值过滤数据。
许多这些操作是在 GroupBy 对象上定义的。这些操作类似于 聚合 API、窗口 API 和 重采样 API 的操作。
可能存在某个操作不属于这些类别之一，或者是它们的某种组合。在这种情况下，可以使用 GroupBy 的 apply 方法来计算该操作。该方法会检查 apply 步骤的结果，并尝试在结果不符合上述三类中的任何一类时，合理地将它们组合成一个单一的结果。
备注
使用内置的 GroupBy 操作将操作拆分为多个步骤将比使用带有用户定义的 Python 函数的 apply 方法更高效。
GroupBy 这个名字对于那些使用过基于 SQL 工具（或 itertools）的人来说应该非常熟悉，在其中你可以编写如下代码：
SELECT Column1, Column2, mean(Column3), sum(Column4)
FROM SomeTable
GROUP BY Column1, Column2
我们的目标是使用 pandas 自然且容易地表达这样的操作。我们将逐一介绍 GroupBy 功能的每个领域，然后提供一些非平凡的示例/用例。
请参阅 食谱 以获取一些高级策略。
将对象分组#
分组的抽象定义是提供一个标签到组名的映射。要创建一个 GroupBy 对象（稍后会详细介绍 GroupBy 对象是什么），你可以这样做：
In [1]: speeds = pd.DataFrame(
...: [
...: ("bird", "Falconiformes", 389.0),
...: ("bird", "Psittaciformes", 24.0),
...: ("mammal", "Carnivora", 80.2),
...: ("mammal", "Primates", np.nan),
...: ("mammal", "Carnivora", 58),
...: ],
...: index=["falcon", "parrot", "lion", "monkey", "leopard"],
...: columns=("class", "order", "max_speed"),
...: )
...:
In [2]: speeds
Out[2]:
class order max_speed
falcon bird Falconiformes 389.0
parrot bird Psittaciformes 24.0
lion mammal Carnivora 80.2
monkey mammal Primates NaN
leopard mammal Carnivora 58.0
In [3]: grouped = speeds.groupby("class")
In [4]: grouped = speeds.groupby(["class", "order"])
映射可以通过多种不同的方式指定：
一个 Python 函数，在每个索引标签上调用。
与索引长度相同的列表或 NumPy 数组。
一个字典或
Series，提供一个标签 -> 组名映射。对于
DataFrame对象，一个字符串，表示要用于分组的列名或索引级别名。以上事物的列表。
我们 collectively 将分组对象称为 keys。例如，考虑以下 DataFrame：
备注
传递给 groupby 的字符串可能指的是列或索引级别。如果字符串同时匹配列名和索引级别名，将引发 ValueError。
In [5]: df = pd.DataFrame(
...: {
...: "A": ["foo", "bar", "foo", "bar", "foo", "bar", "foo", "foo"],
...: "B": ["one", "one", "two", "three", "two", "two", "one", "three"],
...: "C": np.random.randn(8),
...: "D": np.random.randn(8),
...: }
...: )
...:
In [6]: df
Out[6]:
A B C D
0 foo one 0.469112 -0.861849
1 bar one -0.282863 -2.104569
2 foo two -1.509059 -0.494929
3 bar three -1.135632 1.071804
4 foo two 1.212112 0.721555
5 bar two -0.173215 -0.706771
6 foo one 0.119209 -1.039575
7 foo three -1.044236 0.271860
在 DataFrame 上，我们通过调用 groupby() 获得一个 GroupBy 对象。此方法返回一个 pandas.api.typing.DataFrameGroupBy 实例。我们可以自然地按 A 或 B 列，或两者进行分组：
In [7]: grouped = df.groupby("A")
In [8]: grouped = df.groupby("B")
In [9]: grouped = df.groupby(["A", "B"])
备注
df.groupby('A') 只是 df.groupby(df['A']) 的语法糖。
上述 GroupBy 将在其索引（行）上拆分 DataFrame。要按列拆分，首先进行转置：
In [10]: def get_letter_type(letter):
....: if letter.lower() in 'aeiou':
....: return 'vowel'
....: else:
....: return 'consonant'
....:
In [11]: grouped = df.T.groupby(get_letter_type)
pandas Index 对象支持重复值。如果在一个 groupby 操作中使用非唯一索引作为分组键，所有具有相同索引值的值将被认为是在一个组中，因此聚合函数的输出将只包含唯一的索引值：
In [12]: index = [1, 2, 3, 1, 2, 3]
In [13]: s = pd.Series([1, 2, 3, 10, 20, 30], index=index)
In [14]: s
Out[14]:
1 1
2 2
3 3
1 10
2 20
3 30
dtype: int64
In [15]: grouped = s.groupby(level=0)
In [16]: grouped.first()
Out[16]:
1 1
2 2
3 3
dtype: int64
In [17]: grouped.last()
Out[17]:
1 10
2 20
3 30
dtype: int64
In [18]: grouped.sum()
Out[18]:
1 11
2 22
3 33
dtype: int64
请注意，不会发生拆分，直到需要时才会进行。创建 GroupBy 对象仅验证您传递了一个有效的映射。
备注
许多复杂的数据操作可以用 GroupBy 操作来表示（尽管不能保证这是最有效的实现）。你可以在标签映射函数上非常有创意。
GroupBy 排序#
默认情况下，在 groupby 操作期间会对组键进行排序。然而，你可以传递 sort=False 以可能加速。使用 sort=False 时，组键之间的顺序遵循这些键在原始数据框中出现的顺序：
In [19]: df2 = pd.DataFrame({"X": ["B", "B", "A", "A"], "Y": [1, 2, 3, 4]})
In [20]: df2.groupby(["X"]).sum()
Out[20]:
Y
X
A 7
B 3
In [21]: df2.groupby(["X"], sort=False).sum()
Out[21]:
Y
X
B 3
A 7
注意 groupby 将保留每个 观察 在其 内部 排序的顺序。例如，下面由 groupby() 创建的组是按它们在原始 DataFrame 中出现的顺序排列的：
In [22]: df3 = pd.DataFrame({"X": ["A", "B", "A", "B"], "Y": [1, 4, 3, 2]})
In [23]: df3.groupby("X").get_group("A")
Out[23]:
X Y
0 A 1
2 A 3
In [24]: df3.groupby(["X"]).get_group(("B",))
Out[24]:
X Y
1 B 4
3 B 2
GroupBy dropna#
默认情况下，在执行 groupby 操作时，NA 值会从组键中排除。然而，如果你希望在组键中包含 NA 值，可以通过传递 dropna=False 来实现。
In [25]: df_list = [[1, 2, 3], [1, None, 4], [2, 1, 3], [1, 2, 2]]
In [26]: df_dropna = pd.DataFrame(df_list, columns=["a", "b", "c"])
In [27]: df_dropna
Out[27]:
a b c
0 1 2.0 3
1 1 NaN 4
2 2 1.0 3
3 1 2.0 2
# Default ``dropna`` is set to True, which will exclude NaNs in keys
In [28]: df_dropna.groupby(by=["b"], dropna=True).sum()
Out[28]:
a c
b
1.0 2 3
2.0 2 5
# In order to allow NaN in keys, set ``dropna`` to False
In [29]: df_dropna.groupby(by=["b"], dropna=False).sum()
Out[29]:
a c
b
1.0 2 3
2.0 2 5
NaN 1 4
dropna 参数的默认设置是 True，这意味着 NA 不包含在组键中。
GroupBy 对象属性#
groups 属性是一个字典，其键是计算出的唯一组，相应的值是属于每个组的索引标签。在上面的例子中我们有：
In [30]: df.groupby("A").groups
Out[30]: {'bar': [1, 3, 5], 'foo': [0, 2, 4, 6, 7]}
In [31]: df.T.groupby(get_letter_type).groups
Out[31]: {'consonant': ['B', 'C', 'D'], 'vowel': ['A']}
对 GroupBy 对象调用标准的 Python len 函数会返回组的数量，这与 groups 字典的长度相同：
In [32]: grouped = df.groupby(["A", "B"])
In [33]: grouped.groups
Out[33]:
{('bar', 'one'): RangeIndex(start=1, stop=2, step=1),
('bar', 'three'): RangeIndex(start=3, stop=4, step=1),
('bar', 'two'): RangeIndex(start=5, stop=6, step=1),
('foo', 'one'): RangeIndex(start=0, stop=12, step=6),
('foo', 'three'): RangeIndex(start=7, stop=8, step=1),
('foo', 'two'): RangeIndex(start=2, stop=6, step=2)}
In [34]: len(grouped)
Out[34]: 6
GroupBy 将自动补全列名、GroupBy 操作和其他属性：
In [35]: n = 10
In [36]: weight = np.random.normal(166, 20, size=n)
In [37]: height = np.random.normal(60, 10, size=n)
In [38]: time = pd.date_range("1/1/2000", periods=n)
In [39]: gender = np.random.choice(["male", "female"], size=n)
In [40]: df = pd.DataFrame(
....: {"height": height, "weight": weight, "gender": gender}, index=time
....: )
....:
In [41]: df
Out[41]:
height weight gender
2000-01-01 42.849980 157.500553 male
2000-01-02 49.607315 177.340407 male
2000-01-03 56.293531 171.524640 male
2000-01-04 48.421077 144.251986 female
2000-01-05 46.556882 152.526206 male
2000-01-06 68.448851 168.272968 female
2000-01-07 70.757698 136.431469 male
2000-01-08 58.909500 176.499753 female
2000-01-09 76.435631 174.094104 female
2000-01-10 45.306120 177.540920 male
In [42]: gb = df.groupby("gender")
In [43]: gb.<TAB> # noqa: E225, E999
gb.agg gb.boxplot gb.cummin gb.describe gb.filter gb.get_group gb.height gb.last gb.median gb.ngroups gb.plot gb.rank gb.std gb.transform
gb.aggregate gb.count gb.cumprod gb.dtype gb.first gb.groups gb.hist gb.max gb.min gb.nth gb.prod gb.resample gb.sum gb.var
gb.apply gb.cummax gb.cumsum gb.gender gb.head gb.indices gb.mean gb.name gb.ohlc gb.quantile gb.size gb.tail gb.weight
GroupBy 与 MultiIndex#
使用 分层索引数据 ，按层次结构的一个级别进行分组是非常自然的。
让我们创建一个具有两级 MultiIndex 的 Series。
In [44]: arrays = [
....: ["bar", "bar", "baz", "baz", "foo", "foo", "qux", "qux"],
....: ["one", "two", "one", "two", "one", "two", "one", "two"],
....: ]
....:
In [45]: index = pd.MultiIndex.from_arrays(arrays, names=["first", "second"])
In [46]: s = pd.Series(np.random.randn(8), index=index)
In [47]: s
Out[47]:
first second
bar one -0.919854
two -0.042379
baz one 1.247642
two -0.009920
foo one 0.290213
two 0.495767
qux one 0.362949
two 1.548106
dtype: float64
然后我们可以按 s 中的一个级别进行分组。
In [48]: grouped = s.groupby(level=0)
In [49]: grouped.sum()
Out[49]:
first
bar -0.962232
baz 1.237723
foo 0.785980
qux 1.911055
dtype: float64
如果 MultiIndex 指定了名称，这些名称可以代替级别编号传递：
In [50]: s.groupby(level="second").sum()
Out[50]:
second
one 0.980950
two 1.991575
dtype: float64
支持多级分组。
In [51]: arrays = [
....: ["bar", "bar", "baz", "baz", "foo", "foo", "qux", "qux"],
....: ["doo", "doo", "bee", "bee", "bop", "bop", "bop", "bop"],
....: ["one", "two", "one", "two", "one", "two", "one", "two"],
....: ]
....:
In [52]: index = pd.MultiIndex.from_arrays(arrays, names=["first", "second", "third"])
In [53]: s = pd.Series(np.random.randn(8), index=index)
In [54]: s
Out[54]:
first second third
bar doo one -1.131345
two -0.089329
baz bee one 0.337863
two -0.945867
foo bop one -0.932132
two 1.956030
qux bop one 0.017587
two -0.016692
dtype: float64
In [55]: s.groupby(level=["first", "second"]).sum()
Out[55]:
first second
bar doo -1.220674
baz bee -0.608004
foo bop 1.023898
qux bop 0.000895
dtype: float64
索引级别名称可以作为键提供。
In [56]: s.groupby(["first", "second"]).sum()
Out[56]:
first second
bar doo -1.220674
baz bee -0.608004
foo bop 1.023898
qux bop 0.000895
dtype: float64
稍后将详细介绍 sum 函数和聚合。
使用索引级别和列对 DataFrame 进行分组#
一个 DataFrame 可以按列和索引级别的组合进行分组。你可以指定列和索引名称，或者使用 Grouper。
首先让我们创建一个带有MultiIndex的DataFrame：
In [57]: arrays = [
....: ["bar", "bar", "baz", "baz", "foo", "foo", "qux", "qux"],
....: ["one", "two", "one", "two", "one", "two", "one", "two"],
....: ]
....:
In [58]: index = pd.MultiIndex.from_arrays(arrays, names=["first", "second"])
In [59]: df = pd.DataFrame({"A": [1, 1, 1, 1, 2, 2, 3, 3], "B": np.arange(8)}, index=index)
In [60]: df
Out[60]:
A B
first second
bar one 1 0
two 1 1
baz one 1 2
two 1 3
foo one 2 4
two 2 5
qux one 3 6
two 3 7
然后我们按 second 索引级别和 A 列对 df 进行分组。
In [61]: df.groupby([pd.Grouper(level=1), "A"]).sum()
Out[61]:
B
second A
one 1 2
2 4
3 6
two 1 4
2 5
3 7
索引级别也可以通过名称指定。
In [62]: df.groupby([pd.Grouper(level="second"), "A"]).sum()
Out[62]:
B
second A
one 1 2
2 4
3 6
two 1 4
2 5
3 7
索引级别名称可以直接作为键指定给 groupby。
In [63]: df.groupby(["second", "A"]).sum()
Out[63]:
B
second A
one 1 2
2 4
3 6
two 1 4
2 5
3 7
GroupBy 中的 DataFrame 列选择#
一旦你从一个 DataFrame 创建了 GroupBy 对象，你可能想对每一列做不同的事情。因此，通过在 GroupBy 对象上使用 [] 的方式与从 DataFrame 获取列的方式类似，你可以这样做：
In [64]: df = pd.DataFrame(
....: {
....: "A": ["foo", "bar", "foo", "bar", "foo", "bar", "foo", "foo"],
....: "B": ["one", "one", "two", "three", "two", "two", "one", "three"],
....: "C": np.random.randn(8),
....: "D": np.random.randn(8),
....: }
....: )
....:
In [65]: df
Out[65]:
A B C D
0 foo one -0.575247 1.346061
1 bar one 0.254161 1.511763
2 foo two -1.143704 1.627081
3 bar three 0.215897 -0.990582
4 foo two 1.193555 -0.441652
5 bar two -0.077118 1.211526
6 foo one -0.408530 0.268520
7 foo three -0.862495 0.024580
In [66]: grouped = df.groupby(["A"])
In [67]: grouped_C = grouped["C"]
In [68]: grouped_D = grouped["D"]
这主要是替代方案的语法糖，替代方案更加冗长：
In [69]: df["C"].groupby(df["A"])
Out[69]: <pandas.core.groupby.generic.SeriesGroupBy object at 0xffff70621480>
此外，此方法避免了重新计算从传递的键派生的内部分组信息。
如果你希望对它们进行操作，你也可以包含分组列。
In [70]: grouped[["A", "B"]].sum()
Out[70]:
A B
A
bar barbarbar onethreetwo
foo foofoofoofoofoo onetwotwoonethree
备注
Pandas 中的 groupby 操作在操作后会删除列索引对象的 name 字段。这一更改确保了在 groupby 操作中不同列选择方法之间的语法一致性。
遍历组#
有了 GroupBy 对象，遍历分组数据是非常自然的，并且功能类似于 itertools.groupby():
In [71]: grouped = df.groupby('A')
In [72]: for name, group in grouped:
....: print(name)
....: print(group)
....:
bar
A B C D
1 bar one 0.254161 1.511763
3 bar three 0.215897 -0.990582
5 bar two -0.077118 1.211526
foo
A B C D
0 foo one -0.575247 1.346061
2 foo two -1.143704 1.627081
4 foo two 1.193555 -0.441652
6 foo one -0.408530 0.268520
7 foo three -0.862495 0.024580
在按多个键分组的情况下，组名将是一个元组：
In [73]: for name, group in df.groupby(['A', 'B']):
....: print(name)
....: print(group)
....:
('bar', 'one')
A B C D
1 bar one 0.254161 1.511763
('bar', 'three')
A B C D
3 bar three 0.215897 -0.990582
('bar', 'two')
A B C D
5 bar two -0.077118 1.211526
('foo', 'one')
A B C D
0 foo one -0.575247 1.346061
6 foo one -0.408530 0.268520
('foo', 'three')
A B C D
7 foo three -0.862495 0.02458
('foo', 'two')
A B C D
2 foo two -1.143704 1.627081
4 foo two 1.193555 -0.441652
请参见 遍历组。
选择一个组#
可以使用 DataFrameGroupBy.get_group() 选择单个组：
In [74]: grouped.get_group("bar")
Out[74]:
A B C D
1 bar one 0.254161 1.511763
3 bar three 0.215897 -0.990582
5 bar two -0.077118 1.211526
或者对于按多列分组的对象：
In [75]: df.groupby(["A", "B"]).get_group(("bar", "one"))
Out[75]:
A B C D
1 bar one 0.254161 1.511763
聚合#
聚合是一个减少分组对象维度的 GroupBy 操作。聚合的结果，或者至少被视为，是每个分组中每一列的标量值。例如，生成一组值中每一列的总和。
In [76]: animals = pd.DataFrame(
....: {
....: "kind": ["cat", "dog", "cat", "dog"],
....: "height": [9.1, 6.0, 9.5, 34.0],
....: "weight": [7.9, 7.5, 9.9, 198.0],
....: }
....: )
....:
In [77]: animals
Out[77]:
kind height weight
0 cat 9.1 7.9
1 dog 6.0 7.5
2 cat 9.5 9.9
3 dog 34.0 198.0
In [78]: animals.groupby("kind").sum()
Out[78]:
height weight
kind
cat 18.6 17.8
dog 40.0 205.5
在结果中，组的键默认出现在索引中。可以通过传递 as_index=False 将它们包含在列中。
In [79]: animals.groupby("kind", as_index=False).sum()
Out[79]:
kind height weight
0 cat 18.6 17.8
1 dog 40.0 205.5
内置聚合方法#
许多常见的聚合在 GroupBy 对象中作为方法内置。在下面列出的方法中，带有 * 的方法*不*具有高效的、特定于 GroupBy 的实现。
方法 |
描述 |
|---|---|
计算组中的值是否有任何一个为真值 |
|
计算组中的所有值是否都为真值 |
|
计算组中非NA值的数量 |
|
计算组的协方差 |
|
计算每个组中第一个出现的值 |
|
计算每个组中最大值的索引 |
|
计算每个组中最小值的索引 |
|
计算每个组中最后出现的值 |
|
计算每个组中的最大值 |
|
计算每个组的平均值 |
|
计算每个组的中位数 |
|
计算每个组中的最小值 |
|
计算每个组中唯一值的数量 |
|
计算每个组中值的乘积 |
|
计算每个组中给定分位数的值 |
|
计算每个组中值的平均标准误差 |
|
计算每个组中的值的数量 |
|
计算每个组中值的偏斜度 |
|
计算每个组中值的标准差 |
|
计算每个组中值的总和 |
|
计算每个组中值的方差 |
一些例子：
In [80]: df.groupby("A")[["C", "D"]].max()
Out[80]:
C D
A
bar 0.254161 1.511763
foo 1.193555 1.627081
In [81]: df.groupby(["A", "B"]).mean()
Out[81]:
C D
A B
bar one 0.254161 1.511763
three 0.215897 -0.990582
two -0.077118 1.211526
foo one -0.491888 0.807291
three -0.862495 0.024580
two 0.024925 0.592714
另一个聚合示例是计算每个组的大小。这在 GroupBy 中作为 size 方法包含。它返回一个 Series，其索引由组名组成，值是每个组的大小。
In [82]: grouped = df.groupby(["A", "B"])
In [83]: grouped.size()
Out[83]:
A B
bar one 1
three 1
two 1
foo one 2
three 1
two 2
dtype: int64
虽然 DataFrameGroupBy.describe() 方法本身不是一个归约器，但它可以用来方便地生成每个组的汇总统计信息集合。
In [84]: grouped.describe()
Out[84]:
C ... D
count mean std min 25% 50% 75% ... mean std min 25% 50% 75% max
A B ...
bar one 1.0 0.254161 NaN 0.254161 0.254161 0.254161 0.254161 ... 1.511763 NaN 1.511763 1.511763 1.511763 1.511763 1.511763
three 1.0 0.215897 NaN 0.215897 0.215897 0.215897 0.215897 ... -0.990582 NaN -0.990582 -0.990582 -0.990582 -0.990582 -0.990582
two 1.0 -0.077118 NaN -0.077118 -0.077118 -0.077118 -0.077118 ... 1.211526 NaN 1.211526 1.211526 1.211526 1.211526 1.211526
foo one 2.0 -0.491888 0.117887 -0.575247 -0.533567 -0.491888 -0.450209 ... 0.807291 0.761937 0.268520 0.537905 0.807291 1.076676 1.346061
three 1.0 -0.862495 NaN -0.862495 -0.862495 -0.862495 -0.862495 ... 0.024580 NaN 0.024580 0.024580 0.024580 0.024580 0.024580
two 2.0 0.024925 1.652692 -1.143704 -0.559389 0.024925 0.609240 ... 0.592714 1.462816 -0.441652 0.075531 0.592714 1.109898 1.627081
[6 rows x 16 columns]
另一个聚合示例是计算每个组的唯一值的数量。这类似于 DataFrameGroupBy.value_counts() 函数，只不过它只计算唯一值的数量。
In [85]: ll = [['foo', 1], ['foo', 2], ['foo', 2], ['bar', 1], ['bar', 1]]
In [86]: df4 = pd.DataFrame(ll, columns=["A", "B"])
In [87]: df4
Out[87]:
A B
0 foo 1
1 foo 2
2 foo 2
3 bar 1
4 bar 1
In [88]: df4.groupby("A")["B"].nunique()
Out[88]:
A
bar 1
foo 2
Name: B, dtype: int64
备注
聚合函数 不会 在 ``as_index=True``（默认值）时，将你正在聚合的组作为命名的 列 返回。分组的列将成为返回对象的 索引。
传递 as_index=False 将 返回你正在聚合的组作为命名列，无论它们在输入中是命名为 索引 还是 列。
The aggregate() 方法#
备注
aggregate() 方法可以接受许多不同类型的输入。本节详细介绍了使用字符串别名进行各种 GroupBy 方法；其他输入在下面的章节中详细介绍。
任何 pandas 实现的数据缩减方法都可以作为字符串传递给 aggregate()。鼓励用户使用简写 agg。它将像调用了相应的方法一样进行操作。
In [89]: grouped = df.groupby("A")
In [90]: grouped[["C", "D"]].aggregate("sum")
Out[90]:
C D
A
bar 0.392940 1.732707
foo -1.796421 2.824590
In [91]: grouped = df.groupby(["A", "B"])
In [92]: grouped.agg("sum")
Out[92]:
C D
A B
bar one 0.254161 1.511763
three 0.215897 -0.990582
two -0.077118 1.211526
foo one -0.983776 1.614581
three -0.862495 0.024580
two 0.049851 1.185429
聚合的结果将把组名作为新的索引。在多键的情况下，结果默认是一个 MultiIndex。如上所述，这可以通过使用 as_index 选项来改变：
In [93]: grouped = df.groupby(["A", "B"], as_index=False)
In [94]: grouped.agg("sum")
Out[94]:
A B C D
0 bar one 0.254161 1.511763
1 bar three 0.215897 -0.990582
2 bar two -0.077118 1.211526
3 foo one -0.983776 1.614581
4 foo three -0.862495 0.024580
5 foo two 0.049851 1.185429
In [95]: df.groupby("A", as_index=False)[["C", "D"]].agg("sum")
Out[95]:
A C D
0 bar 0.392940 1.732707
1 foo -1.796421 2.824590
请注意，你可以使用 DataFrame.reset_index() DataFrame 函数来实现相同的结果，因为列名存储在结果的 MultiIndex 中，尽管这会创建一个额外的副本。
In [96]: df.groupby(["A", "B"]).agg("sum").reset_index()
Out[96]:
A B C D
0 bar one 0.254161 1.511763
1 bar three 0.215897 -0.990582
2 bar two -0.077118 1.211526
3 foo one -0.983776 1.614581
4 foo three -0.862495 0.024580
5 foo two 0.049851 1.185429
使用用户定义函数的聚合#
用户还可以提供他们自己的用户定义函数（UDF）用于自定义聚合。
警告
在使用UDF进行聚合时，UDF不应改变提供的 Series。更多信息请参见 使用用户定义函数 (UDF) 方法进行变异。
备注
使用UDF进行聚合通常比使用pandas在GroupBy上的内置方法性能更低。考虑将一个复杂的操作分解成一系列利用内置方法的操作。
In [97]: animals
Out[97]:
kind height weight
0 cat 9.1 7.9
1 dog 6.0 7.5
2 cat 9.5 9.9
3 dog 34.0 198.0
In [98]: animals.groupby("kind")[["height"]].agg(lambda x: set(x))
Out[98]:
height
kind
cat {9.1, 9.5}
dog {34.0, 6.0}
生成的 dtype 将反映聚合函数的类型。如果不同组的结果具有不同的 dtypes，则将按照 DataFrame 构造的方式确定一个公共的 dtype。
In [99]: animals.groupby("kind")[["height"]].agg(lambda x: x.astype(int).sum())
Out[99]:
height
kind
cat 18
dog 40
同时应用多个函数#
在分组的 Series 上，你可以传递一个函数列表或字典给 SeriesGroupBy.agg()，输出一个 DataFrame：
In [100]: grouped = df.groupby("A")
In [101]: grouped["C"].agg(["sum", "mean", "std"])
Out[101]:
sum mean std
A
bar 0.392940 0.130980 0.181231
foo -1.796421 -0.359284 0.912265
在分组的 DataFrame 上，你可以传递一个函数列表给 DataFrameGroupBy.agg() 来聚合每一列，这将生成一个具有分层列索引的聚合结果：
In [102]: grouped[["C", "D"]].agg(["sum", "mean", "std"])
Out[102]:
C D
sum mean std sum mean std
A
bar 0.392940 0.130980 0.181231 1.732707 0.577569 1.366330
foo -1.796421 -0.359284 0.912265 2.824590 0.564918 0.884785
生成的聚合以其函数本身命名。
对于一个 Series，如果你需要重命名，你可以添加一个链式操作，如下所示：
In [103]: (
.....: grouped["C"]
.....: .agg(["sum", "mean", "std"])
.....: .rename(columns={"sum": "foo", "mean": "bar", "std": "baz"})
.....: )
.....:
Out[103]:
foo bar baz
A
bar 0.392940 0.130980 0.181231
foo -1.796421 -0.359284 0.912265
或者，您可以简单地传递一个包含新列名称和聚合函数的元组列表：
In [104]: (
.....: grouped["C"]
.....: .agg([("foo", "sum"), ("bar", "mean"), ("baz", "std")])
.....: )
.....:
Out[104]:
foo bar baz
A
bar 0.392940 0.130980 0.181231
foo -1.796421 -0.359284 0.912265
对于一个分组的 DataFrame ，你可以以类似的方式重命名：
通过链接 rename 操作，
In [105]: (
.....: grouped[["C", "D"]].agg(["sum", "mean", "std"]).rename(
.....: columns={"sum": "foo", "mean": "bar", "std": "baz"}
.....: )
.....: )
.....:
Out[105]:
C D
foo bar baz foo bar baz
A
bar 0.392940 0.130980 0.181231 1.732707 0.577569 1.366330
foo -1.796421 -0.359284 0.912265 2.824590 0.564918 0.884785
或者，传递一个元组列表，
In [106]: (
.....: grouped[["C", "D"]].agg(
.....: [("foo", "sum"), ("bar", "mean"), ("baz", "std")]
.....: )
.....: )
.....:
Out[106]:
C D
foo bar baz foo bar baz
A
bar 0.392940 0.130980 0.181231 1.732707 0.577569 1.366330
foo -1.796421 -0.359284 0.912265 2.824590 0.564918 0.884785
备注
通常，输出列名应该是唯一的，但 pandas 允许您对同一列应用相同的函数（或两个同名函数）。
In [107]: grouped["C"].agg(["sum", "sum"])
Out[107]:
sum sum
A
bar 0.392940 0.392940
foo -1.796421 -1.796421
pandas 还允许你提供多个 lambda 表达式。在这种情况下，pandas 会将（无名）lambda 函数的名称进行处理，为每个后续的 lambda 添加 _<i>。
In [108]: grouped["C"].agg([lambda x: x.max() - x.min(), lambda x: x.median() - x.mean()])
Out[108]:
<lambda_0> <lambda_1>
A
bar 0.331279 0.084917
foo 2.337259 -0.215962
命名聚合#
为了支持特定列的聚合 并控制输出列名 ，pandas 在 DataFrameGroupBy.agg() 和 SeriesGroupBy.agg() 中接受了一种特殊的语法，称为“命名聚合”，其中
关键词是 输出 列名
这些值是元组，其第一个元素是要选择的列，第二个元素是要应用于该列的聚合。pandas 提供了
NamedAggnamedtuple，其字段为['column', 'aggfunc']，以使其更清楚参数是什么。像往常一样，聚合可以是一个可调用对象或字符串别名。
In [109]: animals
Out[109]:
kind height weight
0 cat 9.1 7.9
1 dog 6.0 7.5
2 cat 9.5 9.9
3 dog 34.0 198.0
In [110]: animals.groupby("kind").agg(
.....: min_height=pd.NamedAgg(column="height", aggfunc="min"),
.....: max_height=pd.NamedAgg(column="height", aggfunc="max"),
.....: average_weight=pd.NamedAgg(column="weight", aggfunc="mean"),
.....: )
.....:
Out[110]:
min_height max_height average_weight
kind
cat 9.1 9.5 8.90
dog 6.0 34.0 102.75
NamedAgg 只是一个 namedtuple。普通的元组也是允许的。
In [111]: animals.groupby("kind").agg(
.....: min_height=("height", "min"),
.....: max_height=("height", "max"),
.....: average_weight=("weight", "mean"),
.....: )
.....:
Out[111]:
min_height max_height average_weight
kind
cat 9.1 9.5 8.90
dog 6.0 34.0 102.75
如果你想要的列名不是有效的 Python 关键字，构造一个字典并解包关键字参数
In [112]: animals.groupby("kind").agg(
.....: **{
.....: "total weight": pd.NamedAgg(column="weight", aggfunc="sum")
.....: }
.....: )
.....:
Out[112]:
total weight
kind
cat 17.8
dog 205.5
在使用命名聚合时，额外的关键字参数不会传递给聚合函数；只应传递 (列, 聚合函数) 对作为 **kwargs。如果你的聚合函数需要额外的参数，使用 functools.partial() 部分应用它们。
命名聚合对于 Series groupby 聚合也是有效的。在这种情况下没有列选择，所以值只是函数。
In [113]: animals.groupby("kind").height.agg(
.....: min_height="min",
.....: max_height="max",
.....: )
.....:
Out[113]:
min_height max_height
kind
cat 9.1 9.5
dog 6.0 34.0
对 DataFrame 列应用不同的函数#
通过将字典传递给 aggregate ，您可以对 DataFrame 的列应用不同的聚合：
In [114]: grouped.agg({"C": "sum", "D": lambda x: np.std(x, ddof=1)})
Out[114]:
C D
A
bar 0.392940 1.366330
foo -1.796421 0.884785
函数名也可以是字符串。为了使字符串有效，它必须在 GroupBy 上实现：
In [115]: grouped.agg({"C": "sum", "D": "std"})
Out[115]:
C D
A
bar 0.392940 1.366330
foo -1.796421 0.884785
转换#
转换是一个分组操作，其结果与被分组的索引相同。常见的例子包括 cumsum() 和 diff()。
In [116]: speeds
Out[116]:
class order max_speed
falcon bird Falconiformes 389.0
parrot bird Psittaciformes 24.0
lion mammal Carnivora 80.2
monkey mammal Primates NaN
leopard mammal Carnivora 58.0
In [117]: grouped = speeds.groupby("class")["max_speed"]
In [118]: grouped.cumsum()
Out[118]:
falcon 389.0
parrot 413.0
lion 80.2
monkey NaN
leopard 138.2
Name: max_speed, dtype: float64
In [119]: grouped.diff()
Out[119]:
falcon NaN
parrot -365.0
lion NaN
monkey NaN
leopard NaN
Name: max_speed, dtype: float64
与聚合不同，用于分割原始对象的分组不会包含在结果中。
备注
由于转换不包括用于分割结果的分组，DataFrame.groupby() 和 Series.groupby() 中的参数 as_index 和 sort 没有效果。
转换的一个常见用途是将结果添加回原始 DataFrame。
In [120]: result = speeds.copy()
In [121]: result["cumsum"] = grouped.cumsum()
In [122]: result["diff"] = grouped.diff()
In [123]: result
Out[123]:
class order max_speed cumsum diff
falcon bird Falconiformes 389.0 389.0 NaN
parrot bird Psittaciformes 24.0 413.0 -365.0
lion mammal Carnivora 80.2 80.2 NaN
monkey mammal Primates NaN NaN NaN
leopard mammal Carnivora 58.0 138.2 NaN
内置转换方法#
以下 GroupBy 的方法作为转换操作。
方法 |
描述 |
|---|---|
在每个组内填充 NA 值 |
|
计算每个组内的累积计数 |
|
计算每个组内的累积最大值 |
|
计算每个组内的累积最小值 |
|
计算每个组内的累积乘积 |
|
计算每个组内的累积和 |
|
计算每个组内相邻值之间的差异 |
|
在每个组内向前填充NA值 |
|
计算每个组内相邻值之间的百分比变化 |
|
计算每个组内每个值的排名 |
|
在每个组内向上或向下移动值 |
此外，将任何内置的聚合方法作为字符串传递给 transform() （见下一节）将在组内广播结果，生成一个转换后的结果。如果聚合方法有高效的实现，这也会是高效的。
The transform() 方法#
类似于 聚合方法 ，transform() 方法可以接受上一节中内置转换方法的字符串别名。它 也 可以接受内置聚合方法的字符串别名。当提供聚合方法时，结果将在组内广播。
In [124]: speeds
Out[124]:
class order max_speed
falcon bird Falconiformes 389.0
parrot bird Psittaciformes 24.0
lion mammal Carnivora 80.2
monkey mammal Primates NaN
leopard mammal Carnivora 58.0
In [125]: grouped = speeds.groupby("class")[["max_speed"]]
In [126]: grouped.transform("cumsum")
Out[126]:
max_speed
falcon 389.0
parrot 413.0
lion 80.2
monkey NaN
leopard 138.2
In [127]: grouped.transform("sum")
Out[127]:
max_speed
falcon 413.0
parrot 413.0
lion 138.2
monkey 138.2
leopard 138.2
除了字符串别名外，transform() 方法还可以接受用户定义的函数（UDFs）。UDF 必须：
返回一个结果，该结果的大小与组块相同，或者可以广播到组块的大小（例如，标量，
grouped.transform(lambda x: x.iloc[-1])）。在组块上逐列操作。变换应用于使用 chunk.apply 的第一个组块。
不要对组块执行就地操作。组块应被视为不可变的，对组块的更改可能会产生意外结果。更多信息请参见 使用用户定义函数 (UDF) 方法进行变异。
（可选）对整个组块的所有列进行操作。如果支持此功能，则从*第二个*块开始使用快速路径。
备注
通过使用 transform 提供 UDF 进行转换通常比使用 GroupBy 上的内置方法性能更低。考虑将复杂操作分解为一系列利用内置方法的操作。
本节中的所有示例都可以通过调用内置方法而不是使用UDF来提高性能。请参见 下面的示例。
在 2.0.0 版本发生变更: 在使用 .transform 对分组 DataFrame 进行操作时，如果转换函数返回一个 DataFrame，pandas 现在会将结果的索引与输入的索引对齐。你可以在转换函数中调用 .to_numpy() 以避免对齐。
类似于 The aggregate() 方法 ，结果的 dtype 将反映变换函数的 dtype。如果不同组的结果有不同的 dtypes，那么一个共同的 dtype 将按照 DataFrame 构造的方式确定。
假设我们希望在每个组内标准化数据：
In [128]: index = pd.date_range("10/1/1999", periods=1100)
In [129]: ts = pd.Series(np.random.normal(0.5, 2, 1100), index)
In [130]: ts = ts.rolling(window=100, min_periods=100).mean().dropna()
In [131]: ts.head()
Out[131]:
2000-01-08 0.779333
2000-01-09 0.778852
2000-01-10 0.786476
2000-01-11 0.782797
2000-01-12 0.798110
Freq: D, dtype: float64
In [132]: ts.tail()
Out[132]:
2002-09-30 0.660294
2002-10-01 0.631095
2002-10-02 0.673601
2002-10-03 0.709213
2002-10-04 0.719369
Freq: D, dtype: float64
In [133]: transformed = ts.groupby(lambda x: x.year).transform(
.....: lambda x: (x - x.mean()) / x.std()
.....: )
.....:
我们期望结果在每个组内现在具有均值0和标准差1（在浮点误差范围内），这我们可以很容易地检查：
# Original Data
In [134]: grouped = ts.groupby(lambda x: x.year)
In [135]: grouped.mean()
Out[135]:
2000 0.442441
2001 0.526246
2002 0.459365
dtype: float64
In [136]: grouped.std()
Out[136]:
2000 0.131752
2001 0.210945
2002 0.128753
dtype: float64
# Transformed Data
In [137]: grouped_trans = transformed.groupby(lambda x: x.year)
In [138]: grouped_trans.mean()
Out[138]:
2000 -4.870756e-16
2001 -1.545187e-16
2002 4.136282e-16
dtype: float64
In [139]: grouped_trans.std()
Out[139]:
2000 1.0
2001 1.0
2002 1.0
dtype: float64
我们还可以直观地比较原始数据集和转换后的数据集。
In [140]: compare = pd.DataFrame({"Original": ts, "Transformed": transformed})
In [141]: compare.plot()
Out[141]: <Axes: >
具有较低维度输出的变换函数会被广播以匹配输入数组的形状。
In [142]: ts.groupby(lambda x: x.year).transform(lambda x: x.max() - x.min())
Out[142]:
2000-01-08 0.623893
2000-01-09 0.623893
2000-01-10 0.623893
2000-01-11 0.623893
2000-01-12 0.623893
...
2002-09-30 0.558275
2002-10-01 0.558275
2002-10-02 0.558275
2002-10-03 0.558275
2002-10-04 0.558275
Freq: D, Length: 1001, dtype: float64
另一种常见的数据转换是用组均值替换缺失数据。
In [143]: cols = ["A", "B", "C"]
In [144]: values = np.random.randn(1000, 3)
In [145]: values[np.random.randint(0, 1000, 100), 0] = np.nan
In [146]: values[np.random.randint(0, 1000, 50), 1] = np.nan
In [147]: values[np.random.randint(0, 1000, 200), 2] = np.nan
In [148]: data_df = pd.DataFrame(values, columns=cols)
In [149]: data_df
Out[149]:
A B C
0 1.539708 -1.166480 0.533026
1 1.302092 -0.505754 NaN
2 -0.371983 1.104803 -0.651520
3 -1.309622 1.118697 -1.161657
4 -1.924296 0.396437 0.812436
.. ... ... ...
995 -0.093110 0.683847 -0.774753
996 -0.185043 1.438572 NaN
997 -0.394469 -0.642343 0.011374
998 -1.174126 1.857148 NaN
999 0.234564 0.517098 0.393534
[1000 rows x 3 columns]
In [150]: countries = np.array(["US", "UK", "GR", "JP"])
In [151]: key = countries[np.random.randint(0, 4, 1000)]
In [152]: grouped = data_df.groupby(key)
# Non-NA count in each group
In [153]: grouped.count()
Out[153]:
A B C
GR 209 217 189
JP 240 255 217
UK 216 231 193
US 239 250 217
In [154]: transformed = grouped.transform(lambda x: x.fillna(x.mean()))
我们可以验证在转换后的数据中，组均值没有变化，并且转换后的数据不包含NAs。
In [155]: grouped_trans = transformed.groupby(key)
In [156]: grouped.mean() # original group means
Out[156]:
A B C
GR -0.098371 -0.015420 0.068053
JP 0.069025 0.023100 -0.077324
UK 0.034069 -0.052580 -0.116525
US 0.058664 -0.020399 0.028603
In [157]: grouped_trans.mean() # transformation did not change group means
Out[157]:
A B C
GR -0.098371 -0.015420 0.068053
JP 0.069025 0.023100 -0.077324
UK 0.034069 -0.052580 -0.116525
US 0.058664 -0.020399 0.028603
In [158]: grouped.count() # original has some missing data points
Out[158]:
A B C
GR 209 217 189
JP 240 255 217
UK 216 231 193
US 239 250 217
In [159]: grouped_trans.count() # counts after transformation
Out[159]:
A B C
GR 228 228 228
JP 267 267 267
UK 247 247 247
US 258 258 258
In [160]: grouped_trans.size() # Verify non-NA count equals group size
Out[160]:
GR 228
JP 267
UK 247
US 258
dtype: int64
如上文所述，本节中的每个示例都可以使用内置方法更高效地计算。在下面的代码中，使用UDF的低效方法已被注释掉，而更快的替代方法出现在下方。
# result = ts.groupby(lambda x: x.year).transform(
# lambda x: (x - x.mean()) / x.std()
# )
In [161]: grouped = ts.groupby(lambda x: x.year)
In [162]: result = (ts - grouped.transform("mean")) / grouped.transform("std")
# result = ts.groupby(lambda x: x.year).transform(lambda x: x.max() - x.min())
In [163]: grouped = ts.groupby(lambda x: x.year)
In [164]: result = grouped.transform("max") - grouped.transform("min")
# grouped = data_df.groupby(key)
# result = grouped.transform(lambda x: x.fillna(x.mean()))
In [165]: grouped = data_df.groupby(key)
In [166]: result = data_df.fillna(grouped.transform("mean"))
窗口和重采样操作#
可以在 groupbys 上使用 resample()、expanding() 和 rolling() 作为方法。
下面的示例将基于列 A 的组，对列 B 的样本应用 rolling() 方法。
In [167]: df_re = pd.DataFrame({"A": [1] * 10 + [5] * 10, "B": np.arange(20)})
In [168]: df_re
Out[168]:
A B
0 1 0
1 1 1
2 1 2
3 1 3
4 1 4
.. .. ..
15 5 15
16 5 16
17 5 17
18 5 18
19 5 19
[20 rows x 2 columns]
In [169]: df_re.groupby("A").rolling(4).B.mean()
Out[169]:
A
1 0 NaN
1 NaN
2 NaN
3 1.5
4 2.5
...
5 15 13.5
16 14.5
17 15.5
18 16.5
19 17.5
Name: B, Length: 20, dtype: float64
expanding() 方法将为每个特定组的所有成员累积给定的操作（例如 sum()）。
In [170]: df_re.groupby("A").expanding().sum()
Out[170]:
B
A
1 0 0.0
1 1.0
2 3.0
3 6.0
4 10.0
... ...
5 15 75.0
16 91.0
17 108.0
18 126.0
19 145.0
[20 rows x 1 columns]
假设你想使用 resample() 方法在数据框的每个组中获取每日频率，并希望使用 ffill() 方法填充缺失值。
In [171]: df_re = pd.DataFrame(
.....: {
.....: "date": pd.date_range(start="2016-01-01", periods=4, freq="W"),
.....: "group": [1, 1, 2, 2],
.....: "val": [5, 6, 7, 8],
.....: }
.....: ).set_index("date")
.....:
In [172]: df_re
Out[172]:
group val
date
2016-01-03 1 5
2016-01-10 1 6
2016-01-17 2 7
2016-01-24 2 8
In [173]: df_re.groupby("group").resample("1D", include_groups=False).ffill()
Out[173]:
val
group date
1 2016-01-03 5
2016-01-04 5
2016-01-05 5
2016-01-06 5
2016-01-07 5
... ...
2 2016-01-20 7
2016-01-21 7
2016-01-22 7
2016-01-23 7
2016-01-24 8
[16 rows x 1 columns]
过滤#
过滤是一种 GroupBy 操作，它对原始的分组对象进行子集划分。它可以过滤掉整个组、部分组或两者。过滤返回调用对象的过滤版本，包括提供分组列时。在以下示例中，class 包含在结果中。
In [174]: speeds
Out[174]:
class order max_speed
falcon bird Falconiformes 389.0
parrot bird Psittaciformes 24.0
lion mammal Carnivora 80.2
monkey mammal Primates NaN
leopard mammal Carnivora 58.0
In [175]: speeds.groupby("class").nth(1)
Out[175]:
class order max_speed
parrot bird Psittaciformes 24.0
monkey mammal Primates NaN
备注
与聚合不同，过滤不会将组键添加到结果的索引中。因此，传递 as_index=False 或 sort=True 不会影响这些方法。
过滤将尊重对 GroupBy 对象列的子集设置。
In [176]: speeds.groupby("class")[["order", "max_speed"]].nth(1)
Out[176]:
order max_speed
parrot Psittaciformes 24.0
monkey Primates NaN
内置过滤#
以下 GroupBy 的方法充当过滤器。所有这些方法都有一个高效的、特定于 GroupBy 的实现。
方法 |
描述 |
|---|---|
选择每个组的顶行 |
|
选择每个组的第 n 行 |
|
选择每个组的底行 |
用户还可以结合布尔索引使用转换来在组内构建复杂的过滤。例如，假设我们有一组产品和它们的体积，我们希望对数据进行子集化，只保留每个组中不超过总体积90%的最大产品。
In [177]: product_volumes = pd.DataFrame(
.....: {
.....: "group": list("xxxxyyy"),
.....: "product": list("abcdefg"),
.....: "volume": [10, 30, 20, 15, 40, 10, 20],
.....: }
.....: )
.....:
In [178]: product_volumes
Out[178]:
group product volume
0 x a 10
1 x b 30
2 x c 20
3 x d 15
4 y e 40
5 y f 10
6 y g 20
# Sort by volume to select the largest products first
In [179]: product_volumes = product_volumes.sort_values("volume", ascending=False)
In [180]: grouped = product_volumes.groupby("group")["volume"]
In [181]: cumpct = grouped.cumsum() / grouped.transform("sum")
In [182]: cumpct
Out[182]:
4 0.571429
1 0.400000
2 0.666667
6 0.857143
3 0.866667
0 1.000000
5 1.000000
Name: volume, dtype: float64
In [183]: significant_products = product_volumes[cumpct <= 0.9]
In [184]: significant_products.sort_values(["group", "product"])
Out[184]:
group product volume
1 x b 30
2 x c 20
3 x d 15
4 y e 40
6 y g 20
The filter 方法#
备注
通过使用 filter 提供用户定义函数 (UDF) 进行过滤通常比使用 GroupBy 上的内置方法性能更低。考虑将复杂操作分解为一系列利用内置方法的操作。
filter 方法接受一个用户定义函数（UDF），当应用于整个组时，返回 True 或 False。filter 方法的结果是 UDF 返回 True 的组的子集。
假设我们只想取那些属于组总和大于2的组的元素。
In [185]: sf = pd.Series([1, 1, 2, 3, 3, 3])
In [186]: sf.groupby(sf).filter(lambda x: x.sum() > 2)
Out[186]:
3 3
4 3
5 3
dtype: int64
另一个有用的操作是过滤掉属于只有少数成员的组的元素。
In [187]: dff = pd.DataFrame({"A": np.arange(8), "B": list("aabbbbcc")})
In [188]: dff.groupby("B").filter(lambda x: len(x) > 2)
Out[188]:
A B
2 2 b
3 3 b
4 4 b
5 5 b
或者，我们可以返回一个类似索引的对象，而不是丢弃违规的组，其中未通过过滤器的组用 NaNs 填充。
In [189]: dff.groupby("B").filter(lambda x: len(x) > 2, dropna=False)
Out[189]:
A B
0 NaN NaN
1 NaN NaN
2 2.0 b
3 3.0 b
4 4.0 b
5 5.0 b
6 NaN NaN
7 NaN NaN
对于具有多个列的 DataFrame，过滤器应明确指定一个列作为过滤条件。
In [190]: dff["C"] = np.arange(8)
In [191]: dff.groupby("B").filter(lambda x: len(x["C"]) > 2)
Out[191]:
A B C
2 2 b 2
3 3 b 3
4 4 b 4
5 5 b 5
灵活的 apply#
对分组数据的一些操作可能不适合归类为聚合、转换或过滤。对于这些操作，你可以使用 apply 函数。
警告
apply 必须尝试从结果推断它是否应该作为归约器、转换器或过滤器，具体取决于传递给它的内容。因此，分组列可能会包含在输出中，也可能不会。虽然它会尝试智能地猜测如何表现，但有时可能会猜错。
备注
本节中的所有示例都可以使用其他 pandas 功能更可靠、更高效地计算。
In [192]: df
Out[192]:
A B C D
0 foo one -0.575247 1.346061
1 bar one 0.254161 1.511763
2 foo two -1.143704 1.627081
3 bar three 0.215897 -0.990582
4 foo two 1.193555 -0.441652
5 bar two -0.077118 1.211526
6 foo one -0.408530 0.268520
7 foo three -0.862495 0.024580
In [193]: grouped = df.groupby("A")
# could also just call .describe()
In [194]: grouped["C"].apply(lambda x: x.describe())
Out[194]:
A
bar count 3.000000
mean 0.130980
std 0.181231
min -0.077118
25% 0.069390
...
foo min -1.143704
25% -0.862495
50% -0.575247
75% -0.408530
max 1.193555
Name: C, Length: 16, dtype: float64
返回结果的维度也可以改变：
In [195]: grouped = df.groupby('A')['C']
In [196]: def f(group):
.....: return pd.DataFrame({'original': group,
.....: 'demeaned': group - group.mean()})
.....:
In [197]: grouped.apply(f)
Out[197]:
original demeaned
A
bar 1 0.254161 0.123181
3 0.215897 0.084917
5 -0.077118 -0.208098
foo 0 -0.575247 -0.215962
2 -1.143704 -0.784420
4 1.193555 1.552839
6 -0.408530 -0.049245
7 -0.862495 -0.503211
apply 在一个 Series 上可以操作从应用的函数返回的值，该值本身是一个 Series，并且可能将结果向上转换为 DataFrame：
In [198]: def f(x):
.....: return pd.Series([x, x ** 2], index=["x", "x^2"])
.....:
In [199]: s = pd.Series(np.random.rand(5))
In [200]: s
Out[200]:
0 0.582898
1 0.098352
2 0.001438
3 0.009420
4 0.815826
dtype: float64
In [201]: s.apply(f)
Out[201]:
x x^2
0 0.582898 0.339770
1 0.098352 0.009673
2 0.001438 0.000002
3 0.009420 0.000089
4 0.815826 0.665572
类似于 The aggregate() 方法，结果的 dtype 将反映应用函数的 dtype。如果不同组的结果有不同的 dtypes，那么将按照 DataFrame 构造的方式确定一个共同的 dtype。
使用 group_keys 控制分组列的放置#
要控制分组列是否包含在索引中，可以使用参数 group_keys，其默认值为 True。比较
In [202]: df.groupby("A", group_keys=True).apply(lambda x: x, include_groups=False)
Out[202]:
B C D
A
bar 1 one 0.254161 1.511763
3 three 0.215897 -0.990582
5 two -0.077118 1.211526
foo 0 one -0.575247 1.346061
2 two -1.143704 1.627081
4 two 1.193555 -0.441652
6 one -0.408530 0.268520
7 three -0.862495 0.024580
与
In [203]: df.groupby("A", group_keys=False).apply(lambda x: x, include_groups=False)
Out[203]:
B C D
0 one -0.575247 1.346061
1 one 0.254161 1.511763
2 two -1.143704 1.627081
3 three 0.215897 -0.990582
4 two 1.193555 -0.441652
5 two -0.077118 1.211526
6 one -0.408530 0.268520
7 three -0.862495 0.024580
Numba 加速例程#
Added in version 1.1.
如果 Numba 作为可选依赖项安装，transform 和 aggregate 方法支持 engine='numba' 和 engine_kwargs 参数。有关这些参数的一般用法和性能考虑，请参见 使用 Numba 提升性能。
函数签名必须以 values, index 完全 开始，因为每个组的数据将被传递到 values 中，组索引将被传递到 index 中。
警告
当使用 engine='numba' 时，内部不会有“回退”行为。组数据和组索引将作为 NumPy 数组传递给 JITed 用户定义函数，并且不会尝试其他执行方式。
其他有用的功能#
排除非数字列#
再次考虑我们一直在看的示例 DataFrame：
In [204]: df
Out[204]:
A B C D
0 foo one -0.575247 1.346061
1 bar one 0.254161 1.511763
2 foo two -1.143704 1.627081
3 bar three 0.215897 -0.990582
4 foo two 1.193555 -0.441652
5 bar two -0.077118 1.211526
6 foo one -0.408530 0.268520
7 foo three -0.862495 0.024580
假设我们希望按 A 列计算标准差。这里有一个小问题，即我们不关心 B 列中的数据，因为它不是数值型的。你可以通过指定 numeric_only=True 来避免非数值型列：
In [205]: df.groupby("A").std(numeric_only=True)
Out[205]:
C D
A
bar 0.181231 1.366330
foo 0.912265 0.884785
注意 df.groupby('A').colname.std(). 比 df.groupby('A').std().colname 更高效。因此，如果聚合函数的结果只需要在一个列（这里是 colname）上，那么在应用聚合函数之前可能需要进行过滤。
In [206]: from decimal import Decimal
In [207]: df_dec = pd.DataFrame(
.....: {
.....: "id": [1, 2, 1, 2],
.....: "int_column": [1, 2, 3, 4],
.....: "dec_column": [
.....: Decimal("0.50"),
.....: Decimal("0.15"),
.....: Decimal("0.25"),
.....: Decimal("0.40"),
.....: ],
.....: }
.....: )
.....:
In [208]: df_dec.groupby(["id"])[["dec_column"]].sum()
Out[208]:
dec_column
id
1 0.75
2 0.55
处理（未）观察到的分类值#
当使用 Categorical 分组器（作为单一分组器，或作为多个分组器的一部分）时，observed 关键字控制是否返回所有可能分组器值的笛卡尔积（observed=False）或仅返回观察到的分组器（observed=True）。
显示所有值：
In [209]: pd.Series([1, 1, 1]).groupby(
.....: pd.Categorical(["a", "a", "a"], categories=["a", "b"]), observed=False
.....: ).count()
.....:
Out[209]:
a 3
b 0
dtype: int64
仅显示观察到的值：
In [210]: pd.Series([1, 1, 1]).groupby(
.....: pd.Categorical(["a", "a", "a"], categories=["a", "b"]), observed=True
.....: ).count()
.....:
Out[210]:
a 3
dtype: int64
分组返回的 dtype 将 总是 包括 所有 被分组的类别。
In [211]: s = (
.....: pd.Series([1, 1, 1])
.....: .groupby(pd.Categorical(["a", "a", "a"], categories=["a", "b"]), observed=True)
.....: .count()
.....: )
.....:
In [212]: s.index.dtype
Out[212]: CategoricalDtype(categories=['a', 'b'], ordered=False, categories_dtype=object)
NA 组处理#
通过 NA，我们指的是任何 NA 值，包括 NA、NaN、NaT 和 None。如果在分组键中有任何 NA 值，默认情况下这些将被排除。换句话说，任何“NA 组”将被丢弃。你可以通过指定 dropna=False 来包含 NA 组。
In [213]: df = pd.DataFrame({"key": [1.0, 1.0, np.nan, 2.0, np.nan], "A": [1, 2, 3, 4, 5]})
In [214]: df
Out[214]:
key A
0 1.0 1
1 1.0 2
2 NaN 3
3 2.0 4
4 NaN 5
In [215]: df.groupby("key", dropna=True).sum()
Out[215]:
A
key
1.0 3
2.0 4
In [216]: df.groupby("key", dropna=False).sum()
Out[216]:
A
key
1.0 3
2.0 4
NaN 8
使用有序因子进行分组#
以 pandas 的 Categorical 类实例表示的分类变量可以用作分组键。如果是这样，级别的顺序将被保留。当 observed=False 和 sort=False 时，任何未观察到的类别将按顺序出现在结果的末尾。
In [217]: days = pd.Categorical(
.....: values=["Wed", "Mon", "Thu", "Mon", "Wed", "Sat"],
.....: categories=["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"],
.....: )
.....:
In [218]: data = pd.DataFrame(
.....: {
.....: "day": days,
.....: "workers": [3, 4, 1, 4, 2, 2],
.....: }
.....: )
.....:
In [219]: data
Out[219]:
day workers
0 Wed 3
1 Mon 4
2 Thu 1
3 Mon 4
4 Wed 2
5 Sat 2
In [220]: data.groupby("day", observed=False, sort=True).sum()
Out[220]:
workers
day
Mon 8
Tue 0
Wed 5
Thu 1
Fri 0
Sat 2
Sun 0
In [221]: data.groupby("day", observed=False, sort=False).sum()
Out[221]:
workers
day
Wed 5
Mon 8
Thu 1
Sat 2
Tue 0
Fri 0
Sun 0
使用分组器规范进行分组#
你可能需要指定更多的数据来正确分组。你可以使用 pd.Grouper 来提供这种本地控制。
In [222]: import datetime
In [223]: df = pd.DataFrame(
.....: {
.....: "Branch": "A A A A A A A B".split(),
.....: "Buyer": "Carl Mark Carl Carl Joe Joe Joe Carl".split(),
.....: "Quantity": [1, 3, 5, 1, 8, 1, 9, 3],
.....: "Date": [
.....: datetime.datetime(2013, 1, 1, 13, 0),
.....: datetime.datetime(2013, 1, 1, 13, 5),
.....: datetime.datetime(2013, 10, 1, 20, 0),
.....: datetime.datetime(2013, 10, 2, 10, 0),
.....: datetime.datetime(2013, 10, 1, 20, 0),
.....: datetime.datetime(2013, 10, 2, 10, 0),
.....: datetime.datetime(2013, 12, 2, 12, 0),
.....: datetime.datetime(2013, 12, 2, 14, 0),
.....: ],
.....: }
.....: )
.....:
In [224]: df
Out[224]:
Branch Buyer Quantity Date
0 A Carl 1 2013-01-01 13:00:00
1 A Mark 3 2013-01-01 13:05:00
2 A Carl 5 2013-10-01 20:00:00
3 A Carl 1 2013-10-02 10:00:00
4 A Joe 8 2013-10-01 20:00:00
5 A Joe 1 2013-10-02 10:00:00
6 A Joe 9 2013-12-02 12:00:00
7 B Carl 3 2013-12-02 14:00:00
按所需频率对特定列进行分组。这类似于重采样。
In [225]: df.groupby([pd.Grouper(freq="1ME", key="Date"), "Buyer"])[["Quantity"]].sum()
Out[225]:
Quantity
Date Buyer
2013-01-31 Carl 1
Mark 3
2013-10-31 Carl 6
Joe 9
2013-12-31 Carl 3
Joe 9
当 freq 被指定时，pd.Grouper 返回的对象将是 pandas.api.typing.TimeGrouper 的一个实例。当存在一个名称相同的列和索引时，你可以使用 key 按列分组，使用 level 按索引分组。
In [226]: df = df.set_index("Date")
In [227]: df["Date"] = df.index + pd.offsets.MonthEnd(2)
In [228]: df.groupby([pd.Grouper(freq="6ME", key="Date"), "Buyer"])[["Quantity"]].sum()
Out[228]:
Quantity
Date Buyer
2013-02-28 Carl 1
Mark 3
2014-02-28 Carl 9
Joe 18
In [229]: df.groupby([pd.Grouper(freq="6ME", level="Date"), "Buyer"])[["Quantity"]].sum()
Out[229]:
Quantity
Date Buyer
2013-01-31 Carl 1
Mark 3
2014-01-31 Carl 9
Joe 18
取每个组的第一行#
就像对 DataFrame 或 Series 一样，你可以在 groupby 上调用 head 和 tail：
In [230]: df = pd.DataFrame([[1, 2], [1, 4], [5, 6]], columns=["A", "B"])
In [231]: df
Out[231]:
A B
0 1 2
1 1 4
2 5 6
In [232]: g = df.groupby("A")
In [233]: g.head(1)
Out[233]:
A B
0 1 2
2 5 6
In [234]: g.tail(1)
Out[234]:
A B
1 1 4
2 5 6
这显示了每个组的前 n 行或后 n 行。
取每个组的第n行#
要从每个组中选择第 n 项，请使用 DataFrameGroupBy.nth() 或 SeriesGroupBy.nth()。提供的参数可以是任何整数、整数列表、切片或切片列表；请参见下面的示例。当组的第 n 个元素不存在时，不会引发错误；相反，不会返回相应的行。
通常，此操作充当过滤器。在某些情况下，它还会为每个组返回一行，因此它也是一种简化。然而，因为通常它可以为每个组返回零行或多行，pandas 在所有情况下都将其视为过滤器。
In [235]: df = pd.DataFrame([[1, np.nan], [1, 4], [5, 6]], columns=["A", "B"])
In [236]: g = df.groupby("A")
In [237]: g.nth(0)
Out[237]:
A B
0 1 NaN
2 5 6.0
In [238]: g.nth(-1)
Out[238]:
A B
1 1 4.0
2 5 6.0
In [239]: g.nth(1)
Out[239]:
A B
1 1 4.0
如果一个组的第 n 个元素不存在，则结果中不包含相应的行。特别是，如果指定的 n 大于任何组，结果将是一个空的 DataFrame。
In [240]: g.nth(5)
Out[240]:
Empty DataFrame
Columns: [A, B]
Index: []
如果你想选择第 n 个非空项，请使用 dropna kwarg。对于 DataFrame，这应该是 'any' 或 'all'，就像你传递给 dropna 的一样：
# nth(0) is the same as g.first()
In [241]: g.nth(0, dropna="any")
Out[241]:
A B
1 1 4.0
2 5 6.0
In [242]: g.first()
Out[242]:
B
A
1 4.0
5 6.0
# nth(-1) is the same as g.last()
In [243]: g.nth(-1, dropna="any")
Out[243]:
A B
1 1 4.0
2 5 6.0
In [244]: g.last()
Out[244]:
B
A
1 4.0
5 6.0
In [245]: g.B.nth(0, dropna="all")
Out[245]:
1 4.0
2 6.0
Name: B, dtype: float64
你也可以通过指定多个 nth 值作为整数列表，从每个组中选择多行。
In [246]: business_dates = pd.date_range(start="4/1/2014", end="6/30/2014", freq="B")
In [247]: df = pd.DataFrame(1, index=business_dates, columns=["a", "b"])
# get the first, 4th, and last date index for each month
In [248]: df.groupby([df.index.year, df.index.month]).nth([0, 3, -1])
Out[248]:
a b
2014-04-01 1 1
2014-04-04 1 1
2014-04-30 1 1
2014-05-01 1 1
2014-05-06 1 1
2014-05-30 1 1
2014-06-02 1 1
2014-06-05 1 1
2014-06-30 1 1
您也可以使用切片或切片的列表。
In [249]: df.groupby([df.index.year, df.index.month]).nth[1:]
Out[249]:
a b
2014-04-02 1 1
2014-04-03 1 1
2014-04-04 1 1
2014-04-07 1 1
2014-04-08 1 1
... .. ..
2014-06-24 1 1
2014-06-25 1 1
2014-06-26 1 1
2014-06-27 1 1
2014-06-30 1 1
[62 rows x 2 columns]
In [250]: df.groupby([df.index.year, df.index.month]).nth[1:, :-1]
Out[250]:
a b
2014-04-01 1 1
2014-04-02 1 1
2014-04-03 1 1
2014-04-04 1 1
2014-04-07 1 1
... .. ..
2014-06-24 1 1
2014-06-25 1 1
2014-06-26 1 1
2014-06-27 1 1
2014-06-30 1 1
[65 rows x 2 columns]
枚举组项目#
要查看每行在其组中出现的顺序，请使用 cumcount 方法：
In [251]: dfg = pd.DataFrame(list("aaabba"), columns=["A"])
In [252]: dfg
Out[252]:
A
0 a
1 a
2 a
3 b
4 b
5 a
In [253]: dfg.groupby("A").cumcount()
Out[253]:
0 0
1 1
2 2
3 0
4 1
5 3
dtype: int64
In [254]: dfg.groupby("A").cumcount(ascending=False)
Out[254]:
0 3
1 2
2 1
3 1
4 0
5 0
dtype: int64
枚举组#
要查看组的顺序（而不是组内行的顺序，由 cumcount 给出），可以使用 DataFrameGroupBy.ngroup()。
请注意，分配给各组的编号与在迭代 groupby 对象时各组的顺序相匹配，而不是它们首次被观察到的顺序。
In [255]: dfg = pd.DataFrame(list("aaabba"), columns=["A"])
In [256]: dfg
Out[256]:
A
0 a
1 a
2 a
3 b
4 b
5 a
In [257]: dfg.groupby("A").ngroup()
Out[257]:
0 0
1 0
2 0
3 1
4 1
5 0
dtype: int64
In [258]: dfg.groupby("A").ngroup(ascending=False)
Out[258]:
0 1
1 1
2 1
3 0
4 0
5 1
dtype: int64
绘图#
Groupby 也可以与一些绘图方法一起使用。在这种情况下，假设我们怀疑在组“B”中，第一列的值平均是3倍高。
In [259]: np.random.seed(1234)
In [260]: df = pd.DataFrame(np.random.randn(50, 2))
In [261]: df["g"] = np.random.choice(["A", "B"], size=50)
In [262]: df.loc[df["g"] == "B", 1] += 3
我们可以很容易地用箱形图来可视化这一点：
In [263]: df.groupby("g").boxplot()
Out[263]:
A Axes(0.1,0.15;0.363636x0.75)
B Axes(0.536364,0.15;0.363636x0.75)
dtype: object
调用 boxplot 的结果是一个字典，其键是我们分组列 g 的值（”A” 和 “B”）。结果字典的值可以通过 boxplot 的 return_type 关键字来控制。更多信息请参见 可视化文档。
警告
出于历史原因，df.groupby("g").boxplot() 不等同于 df.boxplot(by="g")。解释请参见 这里。
管道函数调用#
类似于 DataFrame 和 Series 提供的功能，接受 GroupBy 对象的函数可以使用 pipe 方法链接在一起，以允许更简洁、更易读的语法。要了解 .pipe 的一般概念，请参见 这里。
结合 .groupby 和 .pipe 在你需要重用 GroupBy 对象时通常很有用。
作为一个例子，想象一下有一个包含商店、产品、收入和销售数量列的DataFrame。我们希望对每个商店和每个产品进行*价格*（即收入/数量）的分组计算。我们可以通过多步骤操作来完成，但使用管道表达可以使代码更具可读性。首先我们设置数据：
In [264]: n = 1000
In [265]: df = pd.DataFrame(
.....: {
.....: "Store": np.random.choice(["Store_1", "Store_2"], n),
.....: "Product": np.random.choice(["Product_1", "Product_2"], n),
.....: "Revenue": (np.random.random(n) * 50 + 10).round(2),
.....: "Quantity": np.random.randint(1, 10, size=n),
.....: }
.....: )
.....:
In [266]: df.head(2)
Out[266]:
Store Product Revenue Quantity
0 Store_2 Product_1 26.12 1
1 Store_2 Product_1 28.86 1
我们现在按商店/产品查找价格。
In [267]: (
.....: df.groupby(["Store", "Product"])
.....: .pipe(lambda grp: grp.Revenue.sum() / grp.Quantity.sum())
.....: .unstack()
.....: .round(2)
.....: )
.....:
Out[267]:
Product Product_1 Product_2
Store
Store_1 6.82 7.05
Store_2 6.30 6.64
当你想将一个分组对象传递给某个任意函数时，管道也可以很有表现力，例如：
In [268]: def mean(groupby):
.....: return groupby.mean()
.....:
In [269]: df.groupby(["Store", "Product"]).pipe(mean)
Out[269]:
Revenue Quantity
Store Product
Store_1 Product_1 34.622727 5.075758
Product_2 35.482815 5.029630
Store_2 Product_1 32.972837 5.237589
Product_2 34.684360 5.224000
这里 mean 接受一个 GroupBy 对象，并为每个 Store-Product 组合分别找到 Revenue 和 Quantity 列的平均值。mean 函数可以是任何接受 GroupBy 对象的函数；.pipe 会将 GroupBy 对象作为参数传递到你指定的函数中。
例子#
多列分解#
通过使用 DataFrameGroupBy.ngroup()，我们可以以类似于 factorize() 的方式提取有关组的信息（如在 重塑 API 中进一步描述），但这种方法自然适用于多种类型和不同来源的多列。这在处理过程中作为类似分类的中间步骤时非常有用，当组行之间的关系比其内容更重要时，或者作为仅接受整数编码的算法的输入时。（有关 pandas 对完整分类数据支持的更多信息，请参见 分类介绍 和 API 文档。）
In [270]: dfg = pd.DataFrame({"A": [1, 1, 2, 3, 2], "B": list("aaaba")})
In [271]: dfg
Out[271]:
A B
0 1 a
1 1 a
2 2 a
3 3 b
4 2 a
In [272]: dfg.groupby(["A", "B"]).ngroup()
Out[272]:
0 0
1 0
2 1
3 2
4 1
dtype: int64
In [273]: dfg.groupby(["A", [0, 0, 0, 1, 1]]).ngroup()
Out[273]:
0 0
1 0
2 1
3 3
4 2
dtype: int64
按索引器分组以’重采样’数据#
重采样通过已有的观测数据或生成数据模型产生新的假设样本（重样本）。这些新样本类似于已有的样本。
为了使重采样在非日期时间类型的索引上工作，可以采用以下步骤。
在以下示例中，df.index // 5 返回一个整数数组，该数组用于确定在 groupby 操作中选择什么。
备注
下面的例子展示了我们如何通过将样本合并到更少的样本中来进行下采样。这里通过使用 df.index // 5，我们将样本分组。通过应用 std() 函数，我们将许多样本中包含的信息聚合到一个小的值子集中，即它们的标准偏差，从而减少了样本数量。
In [274]: df = pd.DataFrame(np.random.randn(10, 2))
In [275]: df
Out[275]:
0 1
0 -0.793893 0.321153
1 0.342250 1.618906
2 -0.975807 1.918201
3 -0.810847 -1.405919
4 -1.977759 0.461659
5 0.730057 -1.316938
6 -0.751328 0.528290
7 -0.257759 -1.081009
8 0.505895 -1.701948
9 -1.006349 0.020208
In [276]: df.index // 5
Out[276]: Index([0, 0, 0, 0, 0, 1, 1, 1, 1, 1], dtype='int64')
In [277]: df.groupby(df.index // 5).std()
Out[277]:
0 1
0 0.823647 1.312912
1 0.760109 0.942941
返回一个 Series 以传播名称#
分组 DataFrame 列，计算一组指标并返回一个命名的 Series。Series 名称用作列索引的名称。这在与重塑操作（如堆叠）结合使用时特别有用，其中列索引名称将用作插入列的名称：
In [278]: df = pd.DataFrame(
.....: {
.....: "a": [0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2],
.....: "b": [0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1],
.....: "c": [1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0],
.....: "d": [0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1],
.....: }
.....: )
.....:
In [279]: def compute_metrics(x):
.....: result = {"b_sum": x["b"].sum(), "c_mean": x["c"].mean()}
.....: return pd.Series(result, name="metrics")
.....:
In [280]: result = df.groupby("a").apply(compute_metrics, include_groups=False)
In [281]: result
Out[281]:
metrics b_sum c_mean
a
0 2.0 0.5
1 2.0 0.5
2 2.0 0.5
In [282]: result.stack()
Out[282]:
a metrics
0 b_sum 2.0
c_mean 0.5
1 b_sum 2.0
c_mean 0.5
2 b_sum 2.0
c_mean 0.5
dtype: float64