<em>Mac</em>Book项目 2009年学校开始实施<em>Mac</em>Book项目,所有师生配备一本<em>Mac</em>Book,并同步更新了校园无线网络。学校每周进行电脑技术更新,每月发送技术支持资料,极大改变了教学及学习方式。因此2011
2021-06-01 09:32:01
對資料集進行分組並對各組應用一個函數(無論是聚合還是轉換),通常是資料分析工作中的重要環節。在將資料集載入、融合、準備好之後,通常就是計算分組統計或生成透視表。pandas提供了一個靈活高效的gruopby功能,它使你能以一種自然的方式對資料集進行切片、切塊、摘要等操作。
關係型資料庫和SQL(Structured Query Language,結構化查詢語言)能夠如此流行的原因之一就是其能夠方便地對資料進行連線、過濾、轉換和聚合。但是,像SQL這樣的查詢語言所能執行的分組運算的種類很有限。在本章中你將會看到,由於Python和pandas強大的表達能力,我們可以執行復雜得多的分組運算(利用任何可以接受pandas物件或NumPy陣列的函數)。
在Pandas中,分組是指使用特定的條件將原資料劃分為多個組,聚合在這裡指的是,對每個分組中的資料執行某些操作,最後將計算的結果進行整合。
分組與聚合的過程大概分為以下三步:
groupby(by=None, axis=0, level=None, as_index=True, sort=True,group_keys=True, squeeze=False, observed=False, **kwargs)
按列名進行分組
# 通過列名進行分組 import pandas as pd df = pd.DataFrame({"key":['c','b','c','a','b','b','a','c','a'], "data":[2,4,6,8,10,1,14,16,19] }) print(df) ''' key data 0 c 2 1 b 4 2 c 6 3 a 8 4 b 10 5 b 1 6 a 14 7 c 16 8 a 19 ''' # 按照key列進行分組 print(df.groupby(by='key')) '''<pandas.core.groupby.generic.DataFrameGroupBy object at 0x0000000008216688> ''' group_obj = df.groupby('key') for i in group_obj: print(i) ''' ('a', key data 3 a 8 6 a 14 8 a 19) ('b', key data 1 b 4 4 b 10 5 b 1) ('c', key data 0 c 2 2 c 6 7 c 16) '''
按Series物件進行分組
如果Series物件與Pandas物件的索引長度不相同時,則只會將具有相同索引的部分資料進行分組
import numpy as np import pandas as pd df = pd.DataFrame({ 'key1':['A','A','B','B','A'], 'key2':['one','two','one','two','one'], 'data1':['2','3','4','6','8'], 'data2':['3','5','6','3','7'] }) print(df) ''' key1 key2 data1 data2 0 A one 2 3 1 A two 3 5 2 B one 4 6 3 B two 6 3 4 A one 8 7 ''' se = pd.Series(['a','b','c','a','b']) print(se) ''' 0 a 1 b 2 c 3 a 4 b dtype: object ''' group_obj = df.groupby(se) # 定義series物件進行分組 for i in group_obj: print(i) ''' ('a', key data 0 c 2 3 a 8) ('b', key data 1 b 4 4 b 10) ('c', key data 2 c 6) '''
按字典進行分組
可以將這個字典傳給groupby,來構造陣列
# 通過字典進行分組 from pandas import DataFrame,Series num_df = DataFrame({'a':[1,2,3,4,5], 'b':[6,7,8,9,10], 'c':[11,12,13,14,15], 'd':[5,4,3,2,1], 'e':[10,9,8,7,6]}) print(num_df) ''' a b c d e 0 1 6 11 5 10 1 2 7 12 4 9 2 3 8 13 3 8 3 4 9 14 2 7 4 5 10 15 1 6 ''' # 定義分組規則 mapping = {'a':'第一組','b':'第二組','c':'第一組','d':'第三組','e':'第二組'} by_column = num_df.groupby(mapping, axis=1) for i in by_column: print(i) ''' ('第一組', a c 0 1 11 1 2 12 2 3 13 3 4 14 4 5 15) ('第三組', d 0 5 1 4 2 3 3 2 4 1) ('第二組', b e 0 6 10 1 7 9 2 8 8 3 9 7 4 10 6) '''
按函數進行分組
將函數作為分組鍵會更加靈活,任何一個被當做分組鍵的函數都會在各個索引值上被呼叫一次,返回的值會被用作分組名稱。
使用內建函數len進行分組 groupby_obj = df.groupby(len)
比起使用字典或Series,使用Python函數是一種更原生的方法定義分組對映。任何被當做分組鍵的函數都會在各個索引值上被呼叫一次,其返回值就會被用作分組名稱。你可以計算一個字串長度的陣列,更簡單的方法是傳入len函數:
key_list = ['a', 'a', 'a', 'b', 'b'] num_df.groupby([len, key_list]).min()
到此這篇關於pandas資料聚合與分組運算的實現的文章就介紹到這了,更多相關pandas資料聚合與分組運算內容請搜尋it145.com以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援it145.com!
相關文章
<em>Mac</em>Book项目 2009年学校开始实施<em>Mac</em>Book项目,所有师生配备一本<em>Mac</em>Book,并同步更新了校园无线网络。学校每周进行电脑技术更新,每月发送技术支持资料,极大改变了教学及学习方式。因此2011
2021-06-01 09:32:01
综合看Anker超能充系列的性价比很高,并且与不仅和iPhone12/苹果<em>Mac</em>Book很配,而且适合多设备充电需求的日常使用或差旅场景,不管是安卓还是Switch同样也能用得上它,希望这次分享能给准备购入充电器的小伙伴们有所
2021-06-01 09:31:42
除了L4WUDU与吴亦凡已经多次共事,成为了明面上的厂牌成员,吴亦凡还曾带领20XXCLUB全队参加2020年的一场音乐节,这也是20XXCLUB首次全员合照,王嗣尧Turbo、陈彦希Regi、<em>Mac</em> Ova Seas、林渝植等人全部出场。然而让
2021-06-01 09:31:34
目前应用IPFS的机构:1 谷歌<em>浏览器</em>支持IPFS分布式协议 2 万维网 (历史档案博物馆)数据库 3 火狐<em>浏览器</em>支持 IPFS分布式协议 4 EOS 等数字货币数据存储 5 美国国会图书馆,历史资料永久保存在 IPFS 6 加
2021-06-01 09:31:24
开拓者的车机是兼容苹果和<em>安卓</em>,虽然我不怎么用,但确实兼顾了我家人的很多需求:副驾的门板还配有解锁开关,有的时候老婆开车,下车的时候偶尔会忘记解锁,我在副驾驶可以自己开门:第二排设计很好,不仅配置了一个很大的
2021-06-01 09:30:48
不仅是<em>安卓</em>手机,苹果手机的降价力度也是前所未有了,iPhone12也“跳水价”了,发布价是6799元,如今已经跌至5308元,降价幅度超过1400元,最新定价确认了。iPhone12是苹果首款5G手机,同时也是全球首款5nm芯片的智能机,它
2021-06-01 09:30:45