Pandas分组统计函数：groupby、pivot_table及crosstab
利用python的pandas库进行数据分组分析十分便捷，其中应用最多的方法包括：groupby、pivot_table及crosstab，以下分别进行介绍。
0、样例数据
df = DataFrame({'key1':['a','a','b','b','a'],'key2':['one','two','one','two','one'],'data1':np.random.randn(5),'data2':np.random.randn(5)})
df
#[Out]# data1 data2 key1 key2
#[Out]# 0 0.439801 1.582861 a one
#[Out]# 1 -1.388267 -0.603653 a two
#[Out]# 2 -0.514400 -0.826736 b one
#[Out]# 3 -1.487224 -0.192404 b two
#[Out]# 4 2.169966 0.074715 a one
1、分组groupby
Pandas中最为常用和有效的分组函数。
1）按列分组
注意以下使用groupby()函数生成的group1是一个中间分组变量，为GroupBy类型。
group1 = df.groupby('key1')
group1
#[Out]# <pandas.core.groupby.DataFrameGroupBy object at 0x0000000009CA5780>
既可依据单个列名’key1’进行为分组，也可依据多个列名['key1','key2']进行分组。
group2 = df.groupby(['key1','key2']) group2 #[Out]# <pandas.core.groupby.DataFrameGroupBy object at 0x0000000009CB4128>
使用推导式[x for x in group1]可显示分组内容。
[x for x in group1]
#[Out]# [('a', data1 data2 key1 key2
#[Out]# 0 0.439801 1.582861 a one
#[Out]# 1 -1.388267 -0.603653 a two
#[Out]# 4 2.169966 0.074715 a one),
#[Out]# ('b', data1 data2 key1 key2
#[Out]# 2 -0.514400 -0.826736 b one
#[Out]# 3 -1.487224 -0.192404 b two)]
2）按分组统计
在分组group1、group2上应用size()、sum()、count()等统计函数，能分别统计分组数量、不同列的分组和、不同列的分组数量。
group1.size() #[Out]# key1 #[Out]# a 3 #[Out]# b 2 #[Out]# dtype: int64 group1.sum() #[Out]# data1 data2 #[Out]# key1 #[Out]# a 1.221499 1.053922 #[Out]# b -2.001624 -1.019140 group2.size() #[Out]# key1 key2 #[Out]# a one 2 #[Out]# two 1 #[Out]# b one 1 #[Out]# two 1 #[Out]# dtype: int64 group2.count() #[Out]# data1 data2 #[Out]# key1 key2 #[Out]# a one 2 2 #[Out]# two 1 1 #[Out]# b one 1 1 #[Out]# two 1 1
3）应用agg()
对于分组的某一列或者多个列，应用agg(func)可以对分组后的数据应用func函数。例如：用group1['data1'].agg('mean')对分组后的’data1’列求均值。当然也可以推广到同时作用于多个列和使用多个函数上。
group1['data1'].agg('mean')
#[Out]# key1
#[Out]# a 0.407166
#[Out]# b -1.000812
#[Out]# Name: data1, dtype: float64
group1['data1'].agg(['mean','sum'])
#[Out]# mean sum
#[Out]# key1
#[Out]# a 0.407166 1.221499
#[Out]# b -1.000812 -2.001624
group1['data1','data2'].agg(['mean','sum'])
#[Out]# data1 data2
#[Out]# mean sum mean sum
#[Out]# key1
#[Out]# a 0.407166 1.221499 0.351307 1.053922
#[Out]# b -1.000812 -2.001624 -0.509570 -1.019140
4）应用apply()
apply()不同于agg()的地方在于：前者应用于dataframe的各个列，后者仅作用于指定的列。
df.groupby('key1').apply(mean)
#[Out]# data1 data2
#[Out]# key1
#[Out]# a 0.407166 0.351307
#[Out]# b -1.000812 -0.509570
df.groupby(['key1','key2']).apply(mean)
#[Out]# data1 data2
#[Out]# key1 key2
#[Out]# a one 1.304883 0.828788
#[Out]# two -1.388267 -0.603653
#[Out]# b one -0.514400 -0.826736
#[Out]# two -1.487224 -0.192404
2、透视表pivot_table
可以产生类似于excel数据透视表的结果，相当的直观。
1）分组统计
其中参数index指定“行”键，columns指定“列”键。
df #[Out]# data1 data2 key1 key2 #[Out]# 0 0.439801 1.582861 a one #[Out]# 1 -1.388267 -0.603653 a two #[Out]# 2 -0.514400 -0.826736 b one #[Out]# 3 -1.487224 -0.192404 b two #[Out]# 4 2.169966 0.074715 a one pd.pivot_table(df, index='key1', columns='key2') #[Out]# data1 data2 #[Out]# key2 one two one two #[Out]# key1 #[Out]# a 1.304883 -1.388267 0.828788 -0.603653 #[Out]# b -0.514400 -1.487224 -0.826736 -0.192404 df.pivot_table(['data1'], index='key1',columns='key2') #[Out]# data1 #[Out]# key2 one two #[Out]# key1 #[Out]# a 1.304883 -1.388267 #[Out]# b -0.514400 -1.487224
2）分项汇总
如果将参数margins设置为True，则可以得到分项总计数据。
df.pivot_table(index='key1',columns='key2', margins=True) #[Out]# data1 data2 #[Out]# key2 one two All one two All #[Out]# key1 #[Out]# a 1.304883 -1.388267 0.407166 0.828788 -0.603653 0.351307 #[Out]# b -0.514400 -1.487224 -1.000812 -0.826736 -0.192404 -0.509570 #[Out]# All 0.698455 -1.437746 -0.156025 0.276947 -0.398029 0.006956
3、交叉表crosstab
可以按照指定的行和列统计分组频数，用起来非常方便；当然同样的功能也可采用groupby实现。
pd.crosstab(df.key1,df.key2, margins=True) #[Out]# key2 one two All #[Out]# key1 #[Out]# a 2 1 3 #[Out]# b 1 1 2 #[Out]# All 3 2 5
很幸运能够有这么多好用的方法，大大简化了数据分组分析的过程。