超好用的 pandas 之 groupby

准备

这个博客是用 Jupyter Notebook 写的, 如果你没有用过也不影响阅读哦.
这里只要电脑装了python和pandas就好, 我们会先读入一个数据集.

# 读入一个数据集, 我使用了美国警方击毙数据集.
%matplotlib inline
%config InlineBackend.figure_format = 'retina'
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
plt.style.use('ggplot')
path = 'https://raw.githubusercontent.com/HoijanLai/dataset/master/PoliceKillingsUS.csv'
data = pd.read_csv(path, encoding ='latin1')
data.sample(3)
name date race age signs_of_mental_illness flee
683 Tyrone Holman 09/09/15 B 37.0 True Not fleeing
1941 Michael Alan Altice 25/12/16 W 61.0 True Not fleeing
652 Manuel Soriano 27/08/15 H 29.0 False Not fleeing

什么是group by

groupby就是按xx分组, 它也确实是用来实现这样功能的. 比如, 将一个数据集按A进行分组, 效果是这样

我们尝试使用groupby来尝试实现这样的功能, 不过我们不用A列, 我们将用我们数据集里面的"种族"尝试分组:

data.groupby('race')

<pandas.core.groupby.DataFrameGroupBy object at 0x104fa2208>

这里我们得到了一个叫DataFrameGroupBy的东西, 虽然 pandas 不让我们直接看它长啥样, 但是你将它想象成上面那幅分组后的图(我手绘的)是完全没有问题的.

这篇稿主要介绍如何鼓捣这个DataFrameGroupBy, 这个DataFrameGroupBy主要的功能能是允许你在不额外写循环的情况下, 快速对每一组数据进行操作


基本操作

最基本的就是组内计数, 求和, 求均值, 求方差, 求blablabla...
比如, 要求被不同种族内被击毙人员年龄的均值:

data.groupby('race')['age'].mean()

race
A 36.605263
B 31.635468
H 32.995157
N 30.451613
O 33.071429
W 40.046980
Name: age, dtype: float64

上面我们求得了各个种族中被击毙的人员的平均年龄, 得到的是一个Series, 每一行对应了每一组的mean, 除此之外你还可以换成std, median, min, max这些基本的统计数据

上面age是连续属性, 我们还可以操作离散属性, 比如对不同取值的计数: .value_counts()
以下尝试求不同种族内, 是否有精神异常迹象的分别有多少人

data.groupby('race')['signs_of_mental_illness'].value_counts()

race signs_of_mental_illness
A False 29
True 10
B False 523
True 95
H False 338
True 85
N False 23
True 8
O False 21
True 7
W False 819
True 382
Name: signs_of_mental_illness, dtype: int64

注: 这时, 组内操作的结果不是单个值, 是一个序列, 我们可以用.unstack()将它展开

data.groupby('race')['signs_of_mental_illness'].value_counts().unstack()
signs_of_mental_illness False True
race
A 29 10
B 523 95
H 338 85
N 23 8
O 21 7
W 819 382

方法总结

  • 首先通过groupby得到DataFrameGroupBy对象, 比如data.groupby('race')
  • 然后选择需要研究的列, 比如['age'], 这样我们就得到了一个SeriesGroupby, 它代表每一个组都有一个Series
  • SeriesGroupby进行操作, 比如.mean(), 相当于对每个组的Series求均值

注: 如果不选列, 那么第三步的操作会遍历所有列, pandas会对能成功操作的列进行操作, 最后返回的一个由操作成功的列组成的DataFrame

更多基本操作

选择一个组
不细讲啦, 我自己觉得跟筛选数据差不多


可视化

这是我非常喜欢Groupby的一个地方, 它能够帮你很轻松地分组画图, 免去手写每个组的遍历的烦恼, 还能为你每个组分好颜色.

场景一: 不同种族中, 逃逸方式分别是如何分布的?

(属性A的不同分组中, 离散属性B的情况是怎么样的 )

  • 一种传统做法是:
    1. 遍历每个组
    2. 然后筛选不同组的数据
    3. 逐个子集画条形图 (或者其他表示)
races = np.sort(data['race'].dropna().unique())
fig, axes = plt.subplots(1, len(races), figsize=(24, 4), sharey=True)
for ax, race in zip(axes, races):
    data[data['race']==race]['flee'].value_counts().sort_index().plot(kind='bar', ax=ax, title=race)

还不错, 但是使用Groupby能让我们直接免去循环, 而且不需要烦人的筛选, 一行就完美搞定

data.groupby('race')['flee'].value_counts().unstack().plot(kind='bar', figsize=(20, 4))

方法总结

  • 首先, 得到分组操作后的结果data.groupby('race')['flee'].value_counts()
  • 这里有一个之前介绍的.unstack操作, 这会让你得到一个DateFrame, 然后调用条形图, pandas就会遍历每一个组(unstack后为每一行), 然后作各组的条形图

场景二: 按不同逃逸类型分组, 组内的年龄分布是如何的?

(属性A的不同分组中, 连续属性B的情况是怎么样的)

data.groupby('flee')['age'].plot(kind='kde', legend=True, figsize=(20, 5))

方法总结

这里data.groupby('flee')['age']是一个SeriesGroupby对象, 顾名思义, 就是每一个组都有一个Series. 因为划分了不同逃逸类型的组, 每一组包含了组内的年龄数据, 所以直接plot相当于遍历了每一个逃逸类型, 然后分别画分布图.

pandas 会为不同组的作图分配颜色, 非常方便


高级操作

场景三: 有时我们需要对组内不同列采取不同的操作

比如说, 我们按flee分组, 但是我们需要对每一组中的年龄求中位数, 对是否有精神问题求占比

这时我们可以这样做

data.groupby('race').agg({'age': np.median, 'signs_of_mental_illness': np.mean})
age signs_of_mental_illness
race
A 35.0 0.256410
B 30.0 0.153722
H 31.0 0.200946
N 29.0 0.258065
O 29.5 0.250000
W 38.0 0.318068

方法总结
这里我们操作的data.groupby('race')是一个DataFrameGroupby, 也就是说, 每一组都有一个DataFrame

我们把对这些DataFrame的操作计划写成了了一个字典{'age': np.median, 'signs_of_mental_illness': np.mean}, 然后进行agg, (aggragate, 合计)

然后我们得到了一个DataFrame, 每行对应一个组, 没列对应各组DataFrame的合计信息, 比如第二行第一列表示, 黑人被击毙者中, 年龄的中位数是30, 第二行第二列表示, 黑人被击毙者中, 有精神疾病表现的占15%

场景四: 我们需要同时求不同组内, 年龄的均值, 中位数, 方差

data.groupby('flee')['age'].agg([np.mean, np.median, np.std])
mean median std
flee
Car 33.911765 33.0 11.174234
Foot 30.972222 30.0 10.193900
Not fleeing 38.334753 36.0 13.527702
Other 33.239130 33.0 9.932043

方法总结

现在我们对一个SeriesGroupby同时进行了多种操作. 相当于同时得到了这三行的结果:

data.groupby('flee')['age'].mean()
data.groupby('flee')['age'].median()
data.groupby('flee')['age'].std()

所以这其实是基本操作部分的进阶

场景五: 结合场景三和场景四可以吗?

答案是肯定的, 请看

data.groupby('flee').agg({'age': [np.median, np.mean], 'signs_of_mental_illness': np.mean})
age signs_of_mental_illness_mean
flee median mean mean
Car 33.0 33.911765 0.114286
Foot 30.0 30.972222 0.115646
Not fleeing 36.0 38.334753 0.319174
Other 33.0 33.239130 0.072917

但是这里有一个问题, 这个列名分了很多层级, 我们可以进行重命名:

agg_df = data.groupby('flee').agg({'age': [np.median, np.mean], 'signs_of_mental_illness': np.mean})
agg_df.columns = ['_'.join(col).strip() for col in agg_df.columns.values]
agg_df
age_median age_mean signs_of_mental_illness_mean
flee
Car 33.0 33.911765 0.114286
Foot 30.0 30.972222 0.115646
Not fleeing 36.0 38.334753 0.319174
Other 33.0 33.239130 0.072917

方法总结
注意这里agg接受的不一定是np.mean这些函数, 你还可以进行自定义函数哦


总结

Groupby 可以简单总结为 split, apply, combine, 也就是说:

  • split : 先将数据按一个属性分组 (得到 DataFrameGroupby / SeriesGroupby )
  • apply : 对每一组数据进行操作 (取平均 取中值 取方差 或 自定义函数)
  • combine: 将操作后的结果结合起来 (得到一个DataFrameSeries 或可视化图像)

希望看完本文你已经对groupby的使用有清晰的印象, 并充满信心, 如果你需要更细致的微操作, 多属性Groupby等, 可以进一步阅读文档

❤️~

推荐阅读更多精彩内容