数据分组
- 使用
groupby()方法进行分组 - group.
size()查看分组后每组的数量 - group.
groups查看分组情况 - group.
get_group('名字')根据分组后的名字选择分组数据
准备数据
# 一个Series其实就是一条数据，Series方法的第一个参数是data，第二个参数是index(索引)，如果没有传值会使用默认值（0-N）
# index参数是我们自定义的索引值，注意：参数值的个数一定要相同。
# 在创建Series时数据并不一定要是列表，也可以将一个字典传进去。
from pandas import Series, DataFrame
# 使用字典创建
index_list = ['001', '002', '003', '004', '005', '006', '007', '008', '009', '010']
name_list = ['李白', '王昭君', '诸葛亮', '狄仁杰', '孙尚香', '妲己', '周瑜', '张飞', '王昭君', '大乔']
age_list = [25, 28, 27, 25, 30, 29, 25, 32, 28, 26]
gender_list = ['F', 'M', 'F', 'F', 'M', 'M', 'F', 'F', 'M', 'M']
salary_list = ['10k', '12.5k', '20k', '14k', '12k', '17k', '18k', '21k', '22k', '21.5k']
marital_list = ['NO', 'NO', 'YES', 'YES', 'NO', 'NO', 'NO', 'YES', 'NO', 'YES']
dic = {
'姓名': Series(data=name_list, index=index_list),
'年龄': Series(data=age_list, index=index_list),
'薪资': Series(data=salary_list, index=index_list),
'性别': Series(data=gender_list, index=index_list),
'婚姻状况': Series(data=marital_list, index=index_list)
}
df = DataFrame(dic)
# 写入csv，path_or_buf为写入文本文件
df.to_csv(path_or_buf='./People.csv', encoding='utf_8_sig')
print('end')
上面代码会在当前目录下生成一个 People.csv 文件
import pandas as pd
df = pd.read_csv('./People.csv')
df.head()
# 根据 '性别列' 进行分组, 得到的是一个分组后的对象
groups = df.groupby('性别')
print(groups)
<pandas.core.groupby.generic.DataFrameGroupBy object at 0x000002953DAEBC88>
size()
使用groupby的size方法可以查看分组后每组的数量, 并返回一个含有分组大小的Series
print(groups.size())
性别 F 5 M 5 dtype: int64
可以只对一列数据进行分组, 只保留想要的数据
例如: 通过性别, 只对年龄进行分组
group = df['年龄'].groupby(df['性别'])
# 查看分组
print(group.groups)
# 根据分组后的名字选择分组
print(group.get_group('F'))
{'F': Int64Index([0, 2, 3, 6, 7], dtype='int64'), 'M': Int64Index([1, 4, 5, 8, 9], dtype='int64')}
0 25
2 27
3 25
6 25
7 32
Name: 年龄, dtype: int64
- 代码
df['年龄'].groupby(df['性别'])的逻辑是：取出df中'年龄'列数据，并且对该列数据根据df[‘性别']列数据进行分组操作 - 这个代码也可写成
df.groupby(df['性别'])['年龄'], 他的逻辑是: 将df数据通过df[‘性别']进行分组，然后再取出分组后的'年龄'列数据。两种写法达到的效果是一样的 group.groups的结果是一个字典，字典的key是分组后每个组的名字，对应的值是分组后的数据，此方法方便我们产看分组的情况group.get_group('F')这个方法可以根据具体分组的名字获取，每个组的数据
对分组进行遍历
import pandas as pd
df = pd.read_csv('./People.csv')
groups = df.groupby('性别')
# print(groups)
for group_name,group_df in groups:
print('分组的名称:', group_name, '分组的数据', group_df.shape)
print('-'*10)
分组的名称: F 分组的数据 (5, 6)
----------
分组的名称: M 分组的数据 (5, 6)
----------
- 将分组后的对象groups进行遍历，可以获取到group_name每个组的名字，group_df每个组的数据
import pandas as pd
df = pd.read_csv('./People.csv')
groups = df.groupby('性别')
for group_name,group_df in groups:
f_mean = group_df['年龄'].mean()
f_max = group_df['年龄'].max()
f_min = group_df['年龄'].min()
print('{}组的最大年龄是{}，最小年龄是{}，平均年龄是{}'.format(group_name,f_max,f_min,f_mean))
F组的最大年龄是32，最小年龄是25，平均年龄是26.8
M组的最大年龄是30，最小年龄是26，平均年龄是28.2
按多列进行分组
当需要按照多列进行分组的时候, groupby 方法里面我们传入一个列表, 列表分别存储分组依据的列名
注意: 列表中列名的顺序, 确定了先按XXXX列分组, 然后在按照YYYY列分组, 不同的顺序产生的分组名字是不同的
df = pd.read_csv('./People.csv')
group=df.groupby(['性别', '婚姻状况'])
df1 = group.size()
print(df1)
性别 婚姻状况 F NO 2 YES 3 M NO 4 YES 1 dtype: int64
group.size()返回的结果中发现索引值是多层的, 所以对于多索引值的获取, 只需要从外往里一层一层的取就可以啦, 就像我们睡觉之前，需要先脱外衣再脱掉内衣是一样的
size = df1['F'][ 'NO'] print(size)
2
pandas 常用统计函数
count()统计列表中非空手机开的个数nunique()统计非重复的数据个数sum()统计列表中所有数值的和mean()计算列表中数据的平均值median()统计列表中数据中位数max()求列表中数据的最大值min()求列表中数据的最小值
对分组后的数据进行统计 agg()
import pandas as pd
df = pd.read_csv('./People.csv')
groups = df.groupby('性别')
for group_name,group_df in groups:
f_se = group_df['年龄'].agg(['max','min','mean'])
print('{}组的最大年龄是{}，最小年龄是{}，平均年龄是{}'.format(group_name,f_se[0],f_se[1],f_se[2]))
F组的最大年龄是32.0，最小年龄是25.0，平均年龄是26.8
M组的最大年龄是30.0，最小年龄是26.0，平均年龄是28.2
- 在使用
agg()函数时, 我们可以将多个统计函数一起放在一个 agg() 函数中 - 如果是统计函数是pandas 提供的, 只需要将函数名字以字符串的形式存储到列表中即可
- 例如: 将 max() 改成 ‘max'
自定义统计函数
当使用自定义的统计函数时
先创建统计函数
# 自定义的统计函数 def my_peak_range(df): """ 返回最大值与最小之间的范围 """ return df.max() - df.min() # 使用 for group_name,group_df in groups: f_se = group_df['年龄'].agg(['max','min','mean',my_peak_range]) print(f_se[0],f_se[1],f_se[3])
32.0 25.0 7.0 30.0 26.0 4.0
注意: 自定义函数名字传入agg() 函数时, 不需要转换成字符串
补充: 在这个数据中, 性别是什么的人总年龄最高
import pandas as pd
df = pd.read_csv('./People.csv')
groups = df.groupby('性别')
gende=groups.sum().sort_values(by='年龄',ascending=False).index.to_list()[0]
"""
这行代码, 先按性别进行分组, 然后吧每组中的数据求和得到总的年龄, 在按照年龄排序
再取出index,最后使用to_list()转换为列表,取出第一个数据
"""
print(gende)
M
开始按照性别分组, 组量太少, 数据也比较少, 本来准备算薪资总数, 但是单位忘记换了, 就这样吧