分组

分组的关键要素是：

分组依据、数据来源、操作及其返回结果。

df.groupby(分组依据)[数据来源].使用操作

对学生按照性别统计身高中位数。

print(df.groupby('Gender')['Height'].median())

上面是一维度进行分组，如果要根据多个维度分组，则只需要传入相应列名构造的列表即可。

例如，按照学校、性别统计身高的中位数。

print(df.groupby(['School', 'Gender'])['Height'].median())

如果希望通过一定的复杂逻辑来分组，例如根据学生体重是否超过总体均值来分组，同样还是计算身高的中位数。

print(
    df.groupby(
        df['Weight'] > df['Weight'].mean()
    )['Height'].mean()
)

print(
    df.groupby(
        df.iloc[:,5] > df.iloc[:,5].mean()
    )['Height'].mean()
)

通过ngroups属性，可以得到分组个数：

gb = df.groupby(
        df.iloc[:,5] > df.iloc[:,5].mean()
    )
print(gb.ngroups)

通过groups属性，可以返回从组名映射到组索引列表的字典：

res = gb.groups
print(res.keys())

groupby对象上表示统计每个组的元素个数：

print(gb.size())

通过get_group方法可以直接获取所在组对应的行，此时必须知道组的具体名字：

print(gb.get_group(True).head())

分组的三大操作：聚合、变换和过滤，分别对应agg、transform和filter函数及其操作。

聚合

返回标量

内置聚合函数

包括如下函数：max/min/mean/median/count/all/any/idxmax/idxmin/mad/nunique/skew/quantile/sum/std/var/sem/size/prod。

gb = df.groupby(
        'Gender'
    )['Height']
print(gb.idxmin())

agg方法

groupby对象虽然定义了很多方便的函数，但是有以下缺点：

• 无法同时使用多个函数
• 无法对特定的列使用特定的聚合函数
• 无法使用自定义的聚合函数
• 无法直接对结果的列名在聚合前进行自定义命名

使用多个函数

当使用多个聚合函数时，需要用列表的形式把内置聚合函数对应的字符串传入，先前提到的所有字符串都是合法的。

gb = df.groupby(
        'Gender'
    )['Height']
print(gb.agg(['sum', 'idxmax', 'skew']))

对特定的列使用特定的聚合函数

对于方法和列的特殊对应，可以通过构造字典传入agg中实现，其中字典以列名为键，以聚合字符串或字符串列表为值。

gb = df.groupby(
        'Gender'
    )
print(gb.agg({'Height':['mean','max'], 'Weight':'count'}))

使用自定义函数

可以在agg中使用具体的自定义函数，需要注意传入函数的参数是之前数据源中的列。

gb = df.groupby(
        'Gender'
    )['Height']
print(gb.agg(lambda x: x.mean()-x.min()))

聚合结果重命名

如果想要对聚合结果的列名进行重命名，只需要将上述函数的位置改写成元组，元组的第一个元素为新的名字，第二个位置为原来的函数，包括聚合字符串和自定义函数。

gb = df.groupby(
        'Gender'
    )['Height']
print(gb.agg([('range', lambda x: x.max()-x.min()), ('my_sum', 'sum')]))

对一个或者多个列使用单个聚合的时候，重命名需要加方括号，否则就不知道是新的名字还是手误输错的内置函数字符串。

变换和过滤

换函数的返回值为同长度的序列，最常用的内置变换函数是累计函数：cumcount/cumsum/cumprod/cummax/cummin，它们的使用方式和聚合函数类似，只不过完成的是组内累计操作。

过滤在分组中是对于组的过滤，而索引是对于行的过滤，在第二章中的返回值，无论是布尔列表还是元素列表或者位置列表，本质上都是对于行的筛选，即如果符合筛选条件的则选入结果表，否则不选入。

组过滤作为行过滤的推广，指的是如果对一个组的全体所在行进行统计的结果返回True则会被保留，False则该组会被过滤，最后把所有未被过滤的组其对应的所在行拼接起来作为DataFrame返回。

gb = df.groupby(
        'Gender'
    )['Height']
print(gb.size())
print(gb.filter(lambda x: x.shape[0] > 100).head())

Joyful-Pandas-课程详情 | Datawhale