共計 3051 個字符，預計需要花費 8 分鐘才能閱讀完成。
這篇文章主要介紹 Pandas 如何使用 GroupBy 分組，文中介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們一定要看完！
groupby 對象
import pandas as pd
import numpy as np
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)})
gb.groupby(A)
print(df.groupby( A))
pandas.core.groupby.DataFrameGroupBy object at 0x00000000042F3470
In [26]: gb. TAB
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.fillna gb.gender gb.head gb.indices gb.mean gb.name gb.ohlc gb.quantile gb.size gb.tail gb.weight分組迭代 Iterating through groups
In [41]: grouped = df.groupby(A)
In [42]: for name, group in grouped:
....: print(name)
....: print(group)
....:
A B C D1 bar one -0.042379 -0.0893293 bar three -0.009920 -0.9458675 bar two 0.495767 1.956030foo
A B C D0 foo one -0.919854 -1.1313452 foo two 1.247642 0.3378634 foo two 0.290213 -0.9321326 foo one 0.362949 0.0175877 foo three 1.548106 -0.016692獲得一個分組 get_group
In [44]: grouped.get_group(bar)Out[44]:
A B C D1 bar one -0.042379 -0.0893293 bar three -0.009920 -0.9458675 bar two 0.495767 1.956030使用多種函數 agg() 相同的函數
In [56]: grouped = df.groupby(A)In [57]: grouped[C].agg([np.sum, np.mean, np.std])Out[57]:
sum mean stdA
bar 0.443469 0.147823 0.301765foo 2.529056 0.505811 0.966450不同的函數
In [60]: grouped.agg({ C : np.sum,
....: D : lambda x: np.std(x, ddof=1)})
....:
Out[60]:
C D
A
bar 0.443469 1.490982foo 2.529056 0.645875轉變數據框 transformation
轉變函數（transform）中需要返回一個和分組塊（group chunk）同樣大小的結果，比如我們需要標準化每一個分組的數據：
In [66]: index = pd.date_range(10/1/1999 , periods=1100)
In [67]: ts = pd.Series(np.random.normal(0.5, 2, 1100), index)
In [68]: ts = ts.rolling(window=100,min_periods=100).mean().dropna()
In [71]: key = lambda x: x.year#使用年來分組 In [72]: zscore = lambda x: (x - x.mean()) / x.std()#標準化 In [73]: transformed = ts.groupby(key).transform(zscore)# 使用索引的年份來分組，然后標準化各組數據 In [80]: compare = pd.DataFrame({Original : ts, Transformed : transformed})# 做出圖形 過濾 Filtration
filter 方法返回一個子集（subset）。比如我們只想要組長度大于 2 的分組：
In [105]: dff = pd.DataFrame({A : np.arange(8), B : list(aabbbbcc)})
In [106]: dff.groupby(B).filter(lambda x: len(x) 2)
Out[106]:
A B2 2 b3 3 b4 4 b5 5 b靈活運用 apply
In [123]: df
Out[123]:
A B C D0 foo one -0.919854 -1.1313451 bar one -0.042379 -0.0893292 foo two 1.247642 0.3378633 bar three -0.009920 -0.9458674 foo two 0.290213 -0.9321325 bar two 0.495767 1.9560306 foo one 0.362949 0.0175877 foo three 1.548106 -0.016692In [124]: grouped = df.groupby(A)# could also just call .describe()In [125]: grouped[C].apply(lambda x: x.describe())
Out[125]:
A
bar count 3.000000 mean 0.147823 std 0.301765 min -0.042379 25% -0.026149 50% -0.009920 75% 0.242924...
foo mean 0.505811 std 0.966450 min -0.919854 25% 0.290213 50% 0.362949 75% 1.247642 max 1.548106Name: C, dtype: float64以上是“Pandas 如何使用 GroupBy 分組”這篇文章的所有內容，感謝各位的閱讀！希望分享的內容對大家有幫助，更多相關知識，歡迎關注丸趣 TV 行業資訊頻道！
正文完
