DataFrame.groupby()所见的各种用法详解
groupby的函数定义：
DataFrame.groupby(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs)
- by :接收映射、函数、标签或标签列表；用于确定聚合的组。
- axis : 接收 0/1；用于表示沿行(0)或列(1)分割。
- level : 接收int、级别名称或序列，默认为None；如果轴是一个多索引(层次化)，则按一个或多个特定级别分组。
- as_index：接收布尔值，默认Ture；Ture则返回以组标签为索引的对象，False则不以组标签为索引。
其他的参数解释就看文档吧：链接：pandas.DataFrame.groupby 介绍文档
所见 1 ：日常用法
import pandas as pd
df = pd.DataFrame({'Gender' : ['男', '女', '男', '男', '男', '男', '女', '女', '女'],
'name' : ['周杰伦', '蔡依林', '林俊杰', '周杰伦', '林俊杰', '周杰伦', '田馥甄', '蔡依林', '田馥甄'],
'income' : [4.5, 2.9, 3.8, 3.7, 4.0, 4.1, 1.9, 4.1, 3.2],
'expenditure' : [1.5, 1.9, 2.8, 1.7, 4.1, 2.5, 1.1, 3.4, 1.2]
})
#根据其中一列分组
df_expenditure_mean = df.groupby(['Gender']).mean()
#根据其中两列分组
df_expenditure_mean = df.groupby(['Gender', 'name']).mean()
#只对其中一列求均值
df_expenditure_mean = df.groupby(['Gender', 'name'])['income'].mean()
输出示例：
所见 2 ：解决groupby.sum() 后层级索引levels上移的问题
上图中的输出二，虽然是 DataFrame 的格式，但是若需要与其他表匹配的时候，这个格式就有些麻烦了。匹配数据时，我们需要的数据格式是：列名都在第一行，数据行中也不能有 Gender 列这样的合并单元格。因此，我们需要做一些调整，将 as_index 改为 False ，默认是 Ture 。
#不以组标签为索引，通过 as_index 来实现 df_expenditure_mean = df.groupby(['Gender', 'name'], as_index=False).mean()
输出：
所见 3 ：解决groupby.apply() 后层级索引levels上移的问题
在所见 2 中我们知道，使用参数 as_index 就可使 groupby 的结果不以组标签为索引，但是后来在使用 groupby.apply() 时发现，as_index 参数失去了效果。如下例所示：
# 使用了 as_index=False，但是从输出结果中可见没起到作用 df_apply = df.groupby(['Gender', 'name'], as_index=False).apply(lambda x: sum(x['income']-x['expenditure'])/sum(x['income'])) df_apply = pd.DataFrame(df_apply,columns=['存钱占比'])#转化成dataframe格式
输出：
解决办法： 加一句df_apply_index = df_apply.reset_index()
# 加一句df_apply_index = df_apply.reset_index() df_apply = df.groupby(['Gender', 'name'], as_index=False).apply(lambda x: sum(x['income']-x['expenditure'])/sum(x['income'])) df_apply = pd.DataFrame(df_apply,columns=['存钱占比'])#转化成dataframe格式 df_apply_index = df_apply.reset_index()
输出：
所见 4 ：groupby函数的分组结果保存成DataFrame
所见 1 中的输出三，明显是 Series ,我们需要将其转化为 DataFrame 格式的数据。
#只对其中一列求均值，并转化为 DataFrame
df_expenditure_mean = df.groupby(['Gender', 'name'], as_index=False)['income'].mean()
df_expenditure_mean = pd.DataFrame(df_expenditure_mean)#转化成dataframe格式
df_expenditure_mean.rename(columns={'income':'收入均值'}, inplace = True)
输出：
到此这篇关于 DataFrame.groupby() 所见的各种用法详解的文章就介绍到这了,更多相关 DataFrame.groupby()用法内容请搜索脚本之家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脚本之家！
相关文章
Python OpenCV实现传统图片格式与base64转换
Base64是网络上最常见的用于传输8Bit字节码的编码方式之一，本文主要介绍了Python OpenCV实现传统图片格式与base64转换，感兴趣的可以参考一下2021-06-06
这篇文章主要为大家详细介绍了python使用PIL剪切和拼接图片，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2020-03-03
Python中的装饰器是你进入Python大门的一道坎,不管你跨不跨过去它都在那里,下面这篇文章主要给大家介绍了关于Python中装饰器的相关资料,需要的朋友可以参考下2022-03-03
因工作需要，研究了一下模拟百度的登陆,开发环境使用了python3，大家参考使用吧2014-01-01
今天小编就为大家分享一篇Python任意字符串转16, 32, 64进制的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-06-06
这篇文章主要介绍了django中的*args 与 **kwargs使用介绍，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2021-03-03
本文通过图文并茂的形式给大家介绍了WINDOW10下PYTHON3.7 安装与卸载,非常不错，具有一定的参考借鉴价值，需要的朋友可以参考下2019-09-09
这篇文章主要介绍了python 如何读取列表中字典的value值，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教2022-02-02
Pandas创建DataFrame提示:type object 'object' has n
Pandas数据帧(DataFrame)是二维数据结构,它包含一组有序的列,每列可以是不同的数据类型,这篇文章主要给大家介绍了关于Pandas创建DataFrame提示:type object ‘object‘ has no attribute ‘dtype‘的解决方案,需要的朋友可以参考下2023-02-02
今天小编就为大家分享一篇python3安装speech语音模块的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-12-12
最新评论