我有一个数据框df
,我使用其中的几列进行groupby
:
df['col1','col2','col3','col4'].groupby(['col1','col2']).mean()
以上的方法,我几乎得到了我需要的表格(数据框)。缺少的是一个包含每个组中行数的附加列。换句话说,我有平均值,但我也想知道用于获得这些平均值的数量。例如,在第一组中有8个值,在第二组中有10个值,依此类推。
简而言之:如何为数据框获取按组分的统计信息?
我有一个数据框df
,我使用其中的几列进行groupby
:
df['col1','col2','col3','col4'].groupby(['col1','col2']).mean()
获取每个分组的行数最简单的方法是调用.size()
,它返回一个Series
:
df.groupby(['col1','col2']).size()
DataFrame
(而不是Series
)来处理,因此可以执行以下操作:df.groupby(['col1', 'col2']).size().reset_index(name='counts')
考虑以下示例数据帧:
In [2]: df
Out[2]:
col1 col2 col3 col4 col5 col6
0 A B 0.20 -0.61 -0.49 1.49
1 A B -1.53 -1.01 -0.39 1.82
2 A B -0.44 0.27 0.72 0.11
3 A B 0.28 -1.32 0.38 0.18
4 C D 0.12 0.59 0.81 0.66
5 C D -0.13 -1.65 -1.64 0.50
6 C D -1.42 -0.11 -0.18 -0.44
7 E F -0.00 1.42 -0.26 1.17
8 E F 0.91 -0.47 1.35 -0.34
9 G H 1.48 -0.63 -1.14 0.17
首先,让我们使用 .size()
函数获取行数:
In [3]: df.groupby(['col1', 'col2']).size()
Out[3]:
col1 col2
A B 4
C D 3
E F 2
G H 1
dtype: int64
然后使用.size().reset_index(name='counts')
来获取行数:
In [4]: df.groupby(['col1', 'col2']).size().reset_index(name='counts')
Out[4]:
col1 col2 counts
0 A B 4
1 C D 3
2 E F 2
3 G H 1
当您想要计算分组数据的统计信息时,通常看起来像这样:
In [5]: (df
...: .groupby(['col1', 'col2'])
...: .agg({
...: 'col3': ['mean', 'count'],
...: 'col4': ['median', 'min', 'count']
...: }))
Out[5]:
col4 col3
median min count mean count
col1 col2
A B -0.810 -1.32 4 -0.372500 4
C D -0.110 -1.65 3 -0.476667 3
E F 0.475 -0.47 2 0.455000 2
G H -0.630 -0.63 1 1.480000 1
join
进行组合。效果如下:In [6]: gb = df.groupby(['col1', 'col2'])
...: counts = gb.size().to_frame(name='counts')
...: (counts
...: .join(gb.agg({'col3': 'mean'}).rename(columns={'col3': 'col3_mean'}))
...: .join(gb.agg({'col4': 'median'}).rename(columns={'col4': 'col4_median'}))
...: .join(gb.agg({'col4': 'min'}).rename(columns={'col4': 'col4_min'}))
...: .reset_index()
...: )
...:
Out[6]:
col1 col2 counts col3_mean col4_median col4_min
0 A B 4 -0.372500 -0.810 -1.32
1 C D 3 -0.476667 -0.110 -1.65
2 E F 2 0.455000 0.475 -0.47
3 G H 1 1.480000 -0.630 -0.63
以下是生成测试数据的代码:
In [1]: import numpy as np
...: import pandas as pd
...:
...: keys = np.array([
...: ['A', 'B'],
...: ['A', 'B'],
...: ['A', 'B'],
...: ['A', 'B'],
...: ['C', 'D'],
...: ['C', 'D'],
...: ['C', 'D'],
...: ['E', 'F'],
...: ['E', 'F'],
...: ['G', 'H']
...: ])
...:
...: df = pd.DataFrame(
...: np.hstack([keys,np.random.randn(10,4).round(2)]),
...: columns = ['col1', 'col2', 'col3', 'col4', 'col5', 'col6']
...: )
...:
...: df[['col3', 'col4', 'col5', 'col6']] = \
...: df[['col3', 'col4', 'col5', 'col6']].astype(float)
...:
免责声明:
如果你要聚合的某些列具有空值,则你确实希望独立聚合每个列的组行计数。否则,你可能会被误导,以为有多少记录实际上用于计算像均值这样的东西,因为pandas将在均值计算中删除NaN
条目而没有告诉你。
groupby
对象上,agg
函数可以接受一个列表,一次性应用多个聚合方法。这将给你所需的结果:df[['col1', 'col2', 'col3', 'col4']].groupby(['col1', 'col2']).agg(['mean', 'count'])
df[['col1','col2','col3','col4']].groupby(['col1','col2']).agg(['mean', 'count'])
? - rysquicount
列,请查看我的答案。 - Pedro M DuarteGroupBy.describe
按组返回count
,mean
,std
和其他有用的统计信息。
df.groupby(['A', 'B'])['C'].describe()
count mean std min 25% 50% 75% max
A B
bar one 1.0 0.40 NaN 0.40 0.40 0.40 0.40 0.40
three 1.0 2.24 NaN 2.24 2.24 2.24 2.24 2.24
two 1.0 -0.98 NaN -0.98 -0.98 -0.98 -0.98 -0.98
foo one 2.0 1.36 0.58 0.95 1.15 1.36 1.56 1.76
three 1.0 -0.15 NaN -0.15 -0.15 -0.15 -0.15 -0.15
two 2.0 1.42 0.63 0.98 1.20 1.42 1.65 1.87
要获取特定的统计数据,只需选择它们即可。
df.groupby(['A', 'B'])['C'].describe()[['count', 'mean']]
count mean
A B
bar one 1.0 0.400157
three 1.0 2.240893
two 1.0 -0.977278
foo one 2.0 1.357070
three 1.0 -0.151357
two 2.0 1.423148
注意:如果您只需要计算1或2个统计量,那么使用
groupby.agg
并仅计算这些列可能会更快,否则您将执行浪费计算。
describe
可用于多列数据(将 ['C']
更改为 ['C', 'D']
——或完全删除它——并查看发生了什么,结果是一个带有多级索引的列型数据帧)。
对于字符串数据,您还可以获得不同的统计信息。以下是一个示例:
df2 = df.assign(D=list('aaabbccc')).sample(n=100, replace=True)
with pd.option_context('precision', 2):
display(df2.groupby(['A', 'B'])
.describe(include='all')
.dropna(how='all', axis=1))
C D
count mean std min 25% 50% 75% max count unique top freq
A B
bar one 14.0 0.40 5.76e-17 0.40 0.40 0.40 0.40 0.40 14 1 a 14
three 14.0 2.24 4.61e-16 2.24 2.24 2.24 2.24 2.24 14 1 b 14
two 9.0 -0.98 0.00e+00 -0.98 -0.98 -0.98 -0.98 -0.98 9 1 c 9
foo one 22.0 1.43 4.10e-01 0.95 0.95 1.76 1.76 1.76 22 2 a 13
three 15.0 -0.15 0.00e+00 -0.15 -0.15 -0.15 -0.15 -0.15 15 1 c 15
two 26.0 1.49 4.48e-01 0.98 0.98 1.87 1.87 1.87 26 2 b 15
要了解更多信息,请查看文档。
DataFrame.value_counts
如果只想捕获每个组的大小,则可以从 pandas 1.1 开始使用此功能,这将减少 GroupBy
并提高速度。
df.value_counts(subset=['col1', 'col2'])
极简示例
# Setup
np.random.seed(0)
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)})
df.value_counts(['A', 'B'])
A B
foo two 2
one 2
three 1
bar two 1
three 1
one 1
dtype: int64
如果您在上面没有找到您要查找的内容,用户指南 中列出了全面支持的静态分析、相关性和回归工具。
.describe()[['count', 'mean']]
,您计算了您之后要删除的统计信息。使用.agg(['count', 'mean']
是更好的选择,速度大约快7倍,因为您只计算实际需要的统计信息。 - Hugolmndf.columns = [ '_'.join(str(i) for i in col) for col in df.columns]
。 - pauljohn32我们可以使用groupby和count轻松完成,但是要记得使用reset_index()。
df[['col1','col2','col3','col4']].groupby(['col1','col2']).count().\
reset_index()
请尝试这段代码
new_column=df[['col1', 'col2', 'col3', 'col4']].groupby(['col1', 'col2']).count()
df['count_it']=new_column
df
grp = df.groupby(['col1', 'col2', 'col3'])
grp.max()
grp.mean()
grp.describe()
from datar.all import tibble, rnorm, f, group_by, summarise, mean, n, rep
df = tibble(
col1=rep(['A', 'B'], 5),
col2=rep(['C', 'D'], each=5),
col3=rnorm(10),
col4=rnorm(10)
)
df >> group_by(f.col1, f.col2) >> summarise(
count=n(),
col3_mean=mean(f.col3),
col4_mean=mean(f.col4)
)
col1 col2 n mean_col3 mean_col4
0 A C 3 -0.516402 0.468454
1 A D 2 -0.248848 0.979655
2 B C 2 0.545518 -0.966536
3 B D 3 -0.349836 -0.915293
[Groups: ['col1'] (n=2)]
我是datar软件包的作者。如果您在使用过程中有任何问题,请随时提交问题。
另一种选择:
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)})
df
A B C D
0 foo one 0.808197 2.057923
1 bar one 0.330835 -0.815545
2 foo two -1.664960 -2.372025
3 bar three 0.034224 0.825633
4 foo two 1.131271 -0.984838
5 bar two 2.961694 -1.122788
6 foo one -0.054695 0.503555
7 foo three 0.018052 -0.746912
pd.crosstab(df.A, df.B).stack().reset_index(name='count')
输出:
A B count
0 bar one 1
1 bar three 1
2 bar two 1
3 foo one 2
4 foo three 1
5 foo two 2
aggfunc
进行pivot_table
对于聚合统计数据框,也可以使用pivot_table
。它生成的表格与Excel透视表相似。基本思路是将要聚合的列作为values=
传入,将分组列作为index=
传入,将任何聚合器函数作为aggfunc=
传入(所有可用于groupby.agg
的优化函数都可以)。
pivot_table
相对于groupby.agg
的一个优点是,对于多个列,它会生成单个size
列,而groupby.agg
会为每个列创建一个size
列(除了一个之外,其他都是冗余的)。
agg_df = df.pivot_table(
values=['col3', 'col4', 'col5'],
index=['col1', 'col2'],
aggfunc=['size', 'mean', 'median']
).reset_index()
# flatten the MultiIndex column (should be omitted if MultiIndex is preferred)
agg_df.columns = [i if not j else f"{j}_{i}" for i,j in agg_df.columns]
对于自定义列名,不要使用多个rename
调用,而是从一开始就使用命名聚合。
来自文档:
为了支持具有对输出列名称的控制的特定于列的聚合,pandas在GroupBy.agg()中接受特殊语法,称为“命名聚合”,其中
- 关键字是输出列名称
- 值是元组,其第一个元素是要选择的列,第二个元素是要应用于该列的聚合。 pandas提供了pandas.NamedAgg命名元组,其字段为['column','aggfunc'],以使参数更清晰。通常,聚合可以是可调用对象或字符串别名。
例如,要生成聚合数据框,其中每个col3
、col4
和col5
都计算其平均值和计数,则可以使用以下代码。请注意,它将重命名列步骤作为groupby.agg
的一部分。
aggfuncs = {f'{c}_{f}': (c, f) for c in ['col3', 'col4', 'col5'] for f in ['mean', 'count']}
agg_df = df.groupby(['col1', 'col2'], as_index=False).agg(**aggfuncs)
命名聚合的另一个用例是如果每个列需要不同的聚合函数。例如,如果只需要col3
的平均值、col4
的中位数和col5
的min
,并且需要自定义列名称,则可以使用以下代码完成。
agg_df = df.groupby(['col1', 'col2'], as_index=False).agg(col3_mean=('col3', 'mean'), col4_median=('col4', 'median'), col5_min=('col5', 'min'))
# or equivalently,
agg_df = df.groupby(['col1', 'col2'], as_index=False).agg(**{'_'.join(p): p for p in [('col3', 'mean'), ('col4', 'median'), ('col5', 'min')]})
In [5]: counts_df = pd.DataFrame(df.groupby('col1').size().rename('counts'))
这一行代码,如果您希望进一步操作数据框,则最好将 size() 设置为一个新列,这应该是counts_df = pd.DataFrame(df.groupby('col1').size().reset_index(name='counts'))
。 - LancelotHolmesisnull
添加到此查询中,以便在一个列中呈现?'col4': ['median', 'min', 'count', 'isnull']
- Peter.kreset_index
之外,获取DataFrame
的另一种方法是使用as_index
参数:df.groupby(['col1','col2'],as_index=False).size()
。我习惯在所有的groupby
中使用as_index=False
。 - flow2k