教程地址:http://www.showmeai.tech/tutorials/33
本文地址:http://www.showmeai.tech/article-detail/148
声明:版权所有,转载请联系平台与作者并注明出处
当我们提到python数据分析的时候,大部分情况下都会使用Pandas进行操作。pandas整个系列覆盖以下内容:
在我们进行业务数据分析时,经常要对数据根据1个或多个字段分为不同的组(group)进行分析处理。如电商领域可能会根据地理位置分组,社交领域会根据用户画像(性别、年龄)进行分组,再进行后续的分析处理。
Pandas中可以借助groupby操作对Dataframe分组操作,本文介绍groupby的基本原理及对应的agg、transform和apply方法与操作。
我们先模拟产出1个Dataframe:
import numpy as np
import pandas as pd
company=["A","B","C"]
data=pd.DataFrame({
"company":[company[x] for x in np.random.randint(0,len(company),10)],
"salary":np.random.randint(5,50,10),
"age":np.random.randint(15,50,10)})
pandas实现分组操作的很简单,只需要把分组的依据(字段)放入groupby中,例如下面示例代码基于company分组:
group = data.groupby("company")
经过groupby处理之后我们会得到一个DataFrameGroupBy对象:
group
# 输出
<pandas.core.groupby.generic.DataFrameGroupBy object at 0x000001C67C072BE0>
这个生成的DataFrameGroupBy是什么?data经过groupby处理后发生了什么?
上面返回的Groupby处理结果是内存地址,并不利于直观地理解,我们可以把group转换成list的形式来看一看内部数据和整个过程:
list(group)
转换成列表的形式后,可以看到,列表由三个元组组成,每个元组中:
总结一下,groupby将原有的DataFrame按照指定的字段(这里是company),划分为若干个分组DataFrame。groupby之后可以进行下一步操作,注意,在groupby之后的一系列操作(如agg、apply等),均是基于子DataFrame的操作。
下面我们一起看看groupby之后的常见操作。
聚合统计操作是groupby后最常见的操作,类比于SQL中我们会对数据按照group做聚合,pandas中通过agg来完成。聚合操作可以用来求和、均值、最大值、最小值等,下表为Pandas中常见的聚合操作:
例如,计算不同公司员工的平均年龄和平均薪水,示例代码如下:
data.groupby("company").agg('mean')
或者针对不同字段做不同的计算处理,例如,要计算不同公司员工的平均年龄、薪水的中位数。可以利用字典进行聚合操作:
data.groupby('company').agg({'salary':'median','age':'mean'})
我们对agg聚合过程进行图解,如下所示:
transform是另外一个pandas分组后会使用到的方法,我们举例来说明它的用法。
上述agg应用例子中,我们计算了不同公司员工的平均薪水,如果现在需要新增一列avg_salary,代表员工所在的公司的平均薪水(相同公司的员工具有一样的平均薪水),我们就可以借助transform来完成。
要完成上述任务,我们需要先求得不同公司的平均薪水,再按照员工和公司的对应关系填充到对应的位置,使用之前学到的map方法可以拆解实现如下:
avg_salary_dict = data.groupby('company')['salary'].mean().to_dict()
data['avg_salary'] = data['company'].map(avg_salary_dict)
data
而transform方法可以帮助我们一行实现全过程:
data['avg_salary'] = data.groupby('company')['salary'].transform('mean')
data
下面对groupby+transform的过程做图解帮助理解:
注意图中大方框,展示了transform和agg不一样的计算过程:
之前我们介绍过对Dataframe使用apply进行灵活数据变换操作处理的方法,它支持传入自定义函数,实现复杂数据操作。apply除了之前介绍的用法,也可以用在groupby后,我们一起来学习一下。
对于groupby后的apply,实际上是以分组后的子DataFrame作为参数传入指定函数的,基本操作单位是DataFrame,而之前介绍的apply的基本操作单位是Series。我们通过一个案例来理解一下。
加入我们需要获取各个公司年龄最大的员工的数据,可以通过以下代码实现:
def get_oldest_staff(x):
df = x.sort_values(by = 'age',ascending=True)
return df.iloc[-1,:]
oldest_staff = data.groupby('company',as_index=False).apply(get_oldest_staff)
oldest_staff
我们对上面的过程图解帮助理解:
本例中的apply传入函数的参数由Series变成这里的分组DataFrame。相比于agg和transform,apply方法拥有更大的灵活性,但它的运行效率会比agg和transform慢。所以,groupby之后怼数据做操作,优先使用agg和transform,其次再考虑使用apply进行操作。
本教程系列的代码可以在ShowMeAI对应的github中下载,可本地python环境运行,能科学上网的宝宝也可以直接借助google colab一键运行与交互操作学习哦!