欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Pandas进阶笔记 (一) Groupby 重难点总结

程序员文章站 2022-05-09 15:48:15
如果Pandas只是能把一些数据变成 这样优美的格式,那么Pandas绝不会成为叱咤风云的数据分析中心组件。因为在数据分析过程中,描述数据是通过一些列的统计指标实现的,分析结果也需要由具体的分组行为,对各组横向纵向对比。 就是这样的一个有力武器。事实上,SQL语言在Pandas出现的几十年前就成为了 ......

如果pandas只是能把一些数据变成 dataframe 这样优美的格式,那么pandas绝不会成为叱咤风云的数据分析中心组件。因为在数据分析过程中,描述数据是通过一些列的统计指标实现的,分析结果也需要由具体的分组行为,对各组横向纵向对比。

groupby 就是这样的一个有力武器。事实上,sql语言在pandas出现的几十年前就成为了高级数据分析人员的标准工具,很大一部分原因正是因为它有标准的select xx from xx where condition group by xx having condition 范式。

感谢 wes mckinney及其团队,除了sql之外,我们多了一个更灵活、适应性更强的工具,而非困在sql shell或python里步履沉重。

【示例】将一段sql语句用pandas表达

sql

select column1, column2, mean(column3), sum(column4)
from sometable
where condition 1
group by column1, column2
having condition2

pandas

df [condition1].groupby([column1, column2], as_index=false).agg({column3: "mean", column4: "sum"}).filter(condition2)


group by: split - apply - combine

groupby可以分解为三个步骤:

  • splitting: 把数据按主键划分为很多个小组
  • applying: 对每个小组独立地使用函数
  • combining: 把所得到的结果组合

那么,这一套行云流水的动作是如何完成的呢?

  • splittinggroupby 实现
  • applyingaggapplytransformfilter实现具体的操作
  • combiningconcat 等实现

Pandas进阶笔记 (一) Groupby 重难点总结

其中,在apply这一步,通常由以下四类操作:

  • aggregation:做一些统计性的计算
  • apply:做一些数据转换
  • transformation:做一些数据处理方面的变换
  • filtration:做一些组级别的过滤

注意,这里讨论的apply,agg,transform,filter方法都是限制在 pandas.core.groupby.dataframegroupby里面,不能跟 pandas.core.groupby.dataframe混淆。


先导入需要用到的模块

import numpy as np
import pandas as pd
import sys, traceback
from itertools import chain

part 1: groupby 详解

df_0 = pd.dataframe({'a': list(chain(*[['foo', 'bar']*4])),
                     'b': ['one', 'one', 'two', 'three', 'two', 'two', 'one', 'three'],
                     'c': np.random.randn(8),
                     'd': np.random.randn(8)})
df_0
a b c d
0 foo one 1.145852 0.210586
1 bar one -1.343518 -2.064735
2 foo two 0.544624 1.125505
3 bar three 1.090288 -0.296160
4 foo two -1.854274 1.348597
5 bar two -0.246072 -0.598949
6 foo one 0.348484 0.429300
7 bar three 1.477379 0.917027

talk 1:创建一个groupby对象时应注意的问题

good practice

df_01 = df_0.copy()
df_01.groupby(["a", "b"], as_index=false, sort=false).agg({"c": "sum", "d": "mean"})
a b c d
0 foo one 1.494336 0.319943
1 bar one -1.343518 -2.064735
2 foo two -1.309649 1.237051
3 bar three 2.567667 0.310433
4 bar two -0.246072 -0.598949

poor practice

df_02 = df_0.copy()
df_02.groupby(["a", "b"]).agg({"c": "sum", "d": "mean"}).reset_index()
a b c d
0 bar one -1.343518 -2.064735
1 bar three 2.567667 0.310433
2 bar two -0.246072 -0.598949
3 foo one 1.494336 0.319943
4 foo two -1.309649 1.237051
  • 直接使用 as_index=false 参数是一个好的习惯,因为如果dataframe非常巨大(比如达到gb以上规模)时,先生成一个groupby对象,然后再调用reset_index()会有额外的时间消耗。
  • 在任何涉及数据的操作中,排序都是非常"奢侈的"。如果只是单纯的分组,不关心顺序,在创建groupby对象的时候应当关闭排序功能,因为这个功能默认是开启的。尤其当你在较大的大数据集上作业时更当注意这个问题。
  • 值得注意的是:groupby会按照数据在原始数据框内的顺序安排它们在每个新组内的顺序。这与是否指定排序无关。

如果要得到一个多层索引的数据框,使用默认的as_index=true即可,例如下面的例子:

df_03 = df_0.copy()
df_03.groupby(["a", "b"]).agg({"c": "sum", "d": "mean"})
c d
a b
bar one -1.343518 -2.064735
three 2.567667 0.310433
two -0.246072 -0.598949
foo one 1.494336 0.319943
two -1.309649 1.237051

注意,as_index仅当做aggregation操作时有效,如果是其他操作,例如transform,指定这个参数是无效的

df_04 = df_0.copy()
df_04.groupby(["a", "b"], as_index=true).transform(lambda x: x * x)
c d
0 1.312976 0.044347
1 1.805040 4.263130
2 0.296616 1.266761
3 1.188727 0.087711
4 3.438331 1.818714
5 0.060552 0.358740
6 0.121441 0.184298
7 2.182650 0.840938

可以看到,我们得到了一个和df_0一样长度的新dataframe,同时我们还希望a,b能成为索引,但这并没有生效。


talk 2:使用 pd.grouper

pd.groupergroupby更强大、更灵活,它不仅支持普通的分组,还支持按照时间进行升采样或降采样分组

df_1 = pd.read_excel("dataset\sample-salesv3.xlsx")
df_1["date"] = pd.to_datetime(df_1["date"])
df_1.head()
account number name sku quantity unit price ext price date
0 740150 barton llc b1-20000 39 86.69 3380.91 2014-01-01 07:21:51
1 714466 trantow-barrows s2-77896 -1 63.16 -63.16 2014-01-01 10:00:47
2 218895 kulas inc b1-69924 23 90.70 2086.10 2014-01-01 13:24:58
3 307599 kassulke, ondricka and metz s1-65481 41 21.05 863.05 2014-01-01 15:05:22
4 412290 jerde-hilpert s2-34077 6 83.21 499.26 2014-01-01 23:26:55

【例子】计算每个月的ext price总和

df_1.set_index("date").resample("m")["ext price"].sum()
date
2014-01-31    185361.66
2014-02-28    146211.62
2014-03-31    203921.38
2014-04-30    174574.11
2014-05-31    165418.55
2014-06-30    174089.33
2014-07-31    191662.11
2014-08-31    153778.59
2014-09-30    168443.17
2014-10-31    171495.32
2014-11-30    119961.22
2014-12-31    163867.26
freq: m, name: ext price, dtype: float64
df_1.groupby(pd.grouper(key="date", freq="m"))["ext price"].sum()
date
2014-01-31    185361.66
2014-02-28    146211.62
2014-03-31    203921.38
2014-04-30    174574.11
2014-05-31    165418.55
2014-06-30    174089.33
2014-07-31    191662.11
2014-08-31    153778.59
2014-09-30    168443.17
2014-10-31    171495.32
2014-11-30    119961.22
2014-12-31    163867.26
freq: m, name: ext price, dtype: float64

两种写法都得到了相同的结果,并且看上去第二种写法似乎有点儿难以理解。再看一个例子

【例子】计算每个客户每个月的ext price总和

df_1.set_index("date").groupby("name")["ext price"].resample("m").sum().head(20)
name                             date      
barton llc                       2014-01-31     6177.57
                                 2014-02-28    12218.03
                                 2014-03-31     3513.53
                                 2014-04-30    11474.20
                                 2014-05-31    10220.17
                                 2014-06-30    10463.73
                                 2014-07-31     6750.48
                                 2014-08-31    17541.46
                                 2014-09-30    14053.61
                                 2014-10-31     9351.68
                                 2014-11-30     4901.14
                                 2014-12-31     2772.90
cronin, oberbrunner and spencer  2014-01-31     1141.75
                                 2014-02-28    13976.26
                                 2014-03-31    11691.62
                                 2014-04-30     3685.44
                                 2014-05-31     6760.11
                                 2014-06-30     5379.67
                                 2014-07-31     6020.30
                                 2014-08-31     5399.58
name: ext price, dtype: float64
df_1.groupby(["name", pd.grouper(key="date",freq="m")])["ext price"].sum().head(20)
name                             date      
barton llc                       2014-01-31     6177.57
                                 2014-02-28    12218.03
                                 2014-03-31     3513.53
                                 2014-04-30    11474.20
                                 2014-05-31    10220.17
                                 2014-06-30    10463.73
                                 2014-07-31     6750.48
                                 2014-08-31    17541.46
                                 2014-09-30    14053.61
                                 2014-10-31     9351.68
                                 2014-11-30     4901.14
                                 2014-12-31     2772.90
cronin, oberbrunner and spencer  2014-01-31     1141.75
                                 2014-02-28    13976.26
                                 2014-03-31    11691.62
                                 2014-04-30     3685.44
                                 2014-05-31     6760.11
                                 2014-06-30     5379.67
                                 2014-07-31     6020.30
                                 2014-08-31     5399.58
name: ext price, dtype: float64

这次,第二种写法远比第一种写法清爽、便于理解。这种按照特定字段和时间采样的混合分组,请优先考虑用pd.grouper


talk 3: 如何访问组

如果只是做完拆分动作,没有做后续的apply,得到的是一个groupby对象。这里讨论下如何访问拆分出来的组
主要方法为:

  • groups
  • get_group
  • 迭代遍历
df_2 = pd.dataframe({'x': ['a', 'b', 'a', 'b'], 'y': [1, 4, 3, 2]})
df_2
x y
0 a 1
1 b 4
2 a 3
3 b 2
  1. 使用 groups方法可以看到所有的组
df_2.groupby("x").groups
{'a': int64index([0, 2], dtype='int64'),
 'b': int64index([1, 3], dtype='int64')}
  1. 使用get_group方法可以访问到指定的组
df_2.groupby("x", as_index=true).get_group(name="a")
x y
0 a 1
2 a 3

注意,get_group方法中,name参数只能传递单个str,不可以传入list,尽管pandas中的其他地方常常能看到这类传参。如果是多列做主键的拆分,可以传入tuple

  1. 迭代遍历
for name, group in df_2.groupby("x"):
    print(name)
    print(group,"\n")
a
   x  y
0  a  1
2  a  3 

b
   x  y
1  b  4
3  b  2 

这里介绍一个小技巧,如果你得到一个<pandas.core.groupby.groupby.dataframegroupby object对象,想要将它还原成其原本的 dataframe ,有一个非常简便的方法值得一提:

gropbyed_object.apply(lambda x: x)

囿于篇幅,就不对api逐个解释了,这里仅指出最容易忽视也最容易出错的三个参数

参数 注意事项
level 仅作用于层次化索引的数据框时有效
as_index 仅对数据框做 agg 操作时有效,
group_keys 仅在调用 apply 时有效

part 2: apply 阶段详解

拆分完成后,可以对各个组做一些的操作,总体说来可以分为以下四类:

  • aggregation
  • apply
  • transform
  • filter

先总括地对比下这四类操作

  1. 任何能将一个series压缩成一个标量值的都是agg操作,例如求和、求均值、求极值等统计计算
  2. 对数据框或者groupby对象做变换,得到子集或一个新的数据框的操作是applytransform
  3. 对聚合结果按标准过滤的操作是filter

applytransform有那么一点相似,下文会重点剖析二者

talk 4:agg vs apply

aggapply都可以对特定列的数据传入函数,并且依照函数进行计算。但是区别在于,agg更加灵活高效,可以一次完成操作。而apply需要辗转多次才能完成相同操作。

df_3 = pd.dataframe({"name":["foo", "bar", "foo", "bar"], "score":[80,80,95,70]})
df_3
name score
0 foo 80
1 bar 80
2 foo 95
3 bar 70

我们需要计算出每个人的总分、最高分、最低分

(1)使用apply方法

df_3.groupby("name", sort=false).score.apply(lambda x: x.sum())
name
foo    175
bar    150
name: score, dtype: int64
df_3.groupby("name", sort=false).score.apply(lambda x: x.max())
name
foo    95
bar    80
name: score, dtype: int64
df_3.groupby("name", sort=false).score.apply(lambda x: x.min())
name
foo    80
bar    70
name: score, dtype: int64

显然,我们辗转操作了3次,并且还需要额外一次操作(将所得到的三个值粘合起来)

(2)使用agg方法

df_3.groupby("name", sort=false).agg({"score": [np.sum, np.max, np.min]})
score
sum amax amin
name
foo 175 95 80
bar 150 80 70

小结 agg一次可以对多个列独立地调用不同的函数,而apply一次只能对多个列调用相同的一个函数。


talk 5:transform vs agg

transform作用于数据框自身,并且返回变换后的值。返回的对象和原对象拥有相同数目的行,但可以扩展列。注意返回的对象不是就地修改了原对象,而是创建了一个新对象。也就是说原对象没变。

df_4 = pd.dataframe({'a': range(3), 'b': range(1, 4)})
df_4
a b
0 0 1
1 1 2
2 2 3
df_4.transform(lambda x: x + 1)
a b
0 1 2
1 2 3
2 3 4

可以对数据框先分组,然后对各组赋予一个变换,例如元素自增1。下面这个例子意义不大,可以直接做变换。

df_2.groupby("x").transform(lambda x: x + 1)
y
0 2
1 5
2 4
3 3

下面举一个更实际的例子

df_5 = pd.read_csv(r"dataset\tips.csv")
df_5.head()
total_bill tip sex smoker day time size
0 16.99 1.01 female no sun dinner 2
1 10.34 1.66 male no sun dinner 3
2 21.01 3.50 male no sun dinner 3
3 23.68 3.31 male no sun dinner 2
4 24.59 3.61 female no sun dinner 4

现在我们想知道每天,各数值列的均值
对比以下 aggtransform 两种操作

df_5.groupby("day").aggregate("mean")
total_bill tip size
day
fri 17.151579 2.734737 2.105263
sat 20.441379 2.993103 2.517241
sun 21.410000 3.255132 2.842105
thur 17.682742 2.771452 2.451613
df_5.groupby('day').transform(lambda x : x.mean()).total_bill.unique()
array([21.41      , 20.44137931, 17.68274194, 17.15157895])

观察得知,两种操作是相同的,都是对各个小组求均值。所不同的是,agg方法仅返回4行(即压缩后的统计值),而transform返回一个和原数据框同样长度的新数据框。


talk 6:transform vs apply

transformapply 的不同主要体现在两方面:

  1. apply 对于每个组,都是同时在所有列上面调用函数;而 transform 是对每个组,依次在每一列上调用函数
  2. 由上面的工作方法决定了:apply 可以返回标量、seriesdataframe——取决于你在什么上面调用了apply 方法;而 transform 只能返回一个类似于数组的序列,例如一维的 seriesarraylist,并且最重要的是,要和原始组有同样的长度,否则会引发错误。

【例子】通过打印对象的类型来对比两种方法的工作对象

df_6 = pd.dataframe({'state':['texas', 'texas', 'florida', 'florida'], 
                   'a':[4,5,1,3], 'b':[6,10,3,11]})
df_6
state a b
0 texas 4 6
1 texas 5 10
2 florida 1 3
3 florida 3 11
def inspect(x):
    print(type(x))
    print(x)
df_6.groupby("state").apply(inspect)
<class 'pandas.core.frame.dataframe'>
     state  a   b
2  florida  1   3
3  florida  3  11
<class 'pandas.core.frame.dataframe'>
     state  a   b
2  florida  1   3
3  florida  3  11
<class 'pandas.core.frame.dataframe'>
   state  a   b
0  texas  4   6
1  texas  5  10

从打印结果我们清晰地看到两点:apply 每次作用的对象是一个 dataframe,其次第一个组被计算了两次,这是因为pandas会通过这种机制来对比是否有更快的方式完成后面剩下组的计算。

df_6.groupby("state").transform(inspect)
<class 'pandas.core.series.series'>
2    1
3    3
name: a, dtype: int64
<class 'pandas.core.series.series'>
2     3
3    11
name: b, dtype: int64
<class 'pandas.core.frame.dataframe'>
   a   b
2  1   3
3  3  11
<class 'pandas.core.series.series'>
0    4
1    5
name: a, dtype: int64
<class 'pandas.core.series.series'>
0     6
1    10
name: b, dtype: int64

从打印结果我们也清晰地看到两点:transform每次只计算一列;会出现计算了一个组整体的情况,这有点令人费解,待研究。

从上面的对比,我们直接得到了一个有用的警示:不要传一个同时涉及到多列的函数给transform方法,因为那么做只会得到错误。例如下面的代码所示:

def subtract(x):
    return x["a"] - x["b"]
try:
    df_6.groupby("state").transform(subtract)
except exception:
    exc_type, exc_value, exc_traceback = sys.exc_info()
    formatted_lines = traceback.format_exc().splitlines()
    print(formatted_lines[-1])
keyerror: ('a', 'occurred at index a')

另一个警示则是:在使用 transform 方法的时候,不要去试图修改返回结果的长度,那样不仅会引发错误,而且traceback的信息非常隐晦,很可能你需要花很长时间才能真正意识到错误所在。

def return_more(x):
    return  np.arange(3)
try:
    df_6.groupby("state").transform(return_more)
except exception:
    exc_type, exc_value, exc_traceback = sys.exc_info()
    formatted_lines = traceback.format_exc().splitlines()
    print(formatted_lines[-1])
valueerror: length mismatch: expected axis has 6 elements, new values have 4 elements

这个报错信息有点别扭,期待返回6个元素,但是返回的结果只有4个元素;其实,应该说预期的返回为4个元素,但是现在却返回6个元素,这样比较容易理解错误所在。

最后,让我们以一条有用的经验结束这个talk:如果你确信自己想要的操作时同时作用于多列,并且速度最好还很快,请不要用transform方法,talk9有一个这方面的好例子。


talk 7:agg 用法总结

(1)一次对所有列调用多个函数

df_0.groupby("a").agg([np.sum, np.mean, np.min])
c d
sum mean amin sum mean amin
a
bar 0.978077 0.244519 -1.343518 -2.042817 -0.510704 -2.064735
foo 0.184686 0.046172 -1.854274 3.113988 0.778497 0.210586

(2)一次对特定列调用多个函数

df_0.groupby("a")["c"].agg([np.sum, np.mean, np.min])
sum mean amin
a
bar 0.978077 0.244519 -1.343518
foo 0.184686 0.046172 -1.854274

(3)对不同列调用不同函数

df_0.groupby("a").agg({"c": [np.sum, np.mean], "d": [np.max, np.min]})
c d
sum mean amax amin
a
bar 0.978077 0.244519 0.917027 -2.064735
foo 0.184686 0.046172 1.348597 0.210586
df_0.groupby("a").agg({"c": "sum", "d": "min"})
c d
a
bar 0.978077 -2.064735
foo 0.184686 0.210586

(4)对同一列调用不同函数,并且直接重命名

df_0.groupby("a")["c"].agg([("largest", "max"), ("smallest", "min")])
largest smallest
a
bar 1.477379 -1.343518
foo 1.145852 -1.854274

(5)对多个列调用同一个函数

agg_keys = {}.fromkeys(["c", "d"], "sum")
df_0.groupby("a").agg(agg_keys)
c d
a
bar 0.978077 -2.042817
foo 0.184686 3.113988

(6)注意agg会忽略缺失值,这在计数时需要加以注意

df_7 = pd.dataframe({"id":["a","a","a","b","b"], "num": [1,np.nan, 1,1,1]})
df_7
id num
0 a 1.0
1 a nan
2 a 1.0
3 b 1.0
4 b 1.0
df_7.groupby("id").agg({"num":"count"})
num
id
a 2
b 2

注意:pandas 中的 count,sum,mean,median,std,var,min,max等函数都用c语言优化过。所以,还是那句话,如果你在大数据集上使用agg,最好使用这些函数而非从numpy那里借用np.sum等方法,一个缓慢的程序是由每一步的缓慢积累而成的。


talk 8:filtration 易错点剖析

通常,在对一个 dataframe 分组并且完成既定的操作之后,可以直接返回结果,也可以视需求对结果作一层过滤。这个过滤一般都是指 filter 操作,但是务必要理解清楚自己到底需要对组作过滤还是对组内的每一行作过滤。这个talk就来讨论过滤这个话题。

【例子】找出每门课程考试分数低于这门课程平均分的学生

df_8 = pd.dataframe({"subject": list(chain(*[["math"]*3,["computer"]*3])),
                    "student": list(chain(*[["chan", "ida", "ada"]*2])),
                    "score": [80,90,85,90,85,95]})
df_8
subject student score
0 math chan 80
1 math ida 90
2 math ada 85
3 computer chan 90
4 computer ida 85
5 computer ada 95

这样一个需求是否适合用 filter 来处理呢?我们试试看:

try:
    df_8.groupby("subject").filter(lambda x: x["score"] < x["score"].mean())
except exception:
    exc_type, exc_value, exc_traceback = sys.exc_info()
    formatted_lines = traceback.format_exc().splitlines()
    print(formatted_lines[-1])
typeerror: filter function returned a series, but expected a scalar bool

显然不行,因为 filter 实际上做的事情是要么留下这个组,要么过滤掉这个组。我们在这里弄混淆的东西,和我们初学 sql时弄混 wherehaving 是一回事。就像需要记住 having 是一个组内语法一样,请记住 filter 是一个组内方法。

我们先解决这个例子,正确的做法如下:

df_8.groupby("subject").apply(lambda g: g[g.score < g.score.mean()])
subject student score
subject
computer 4 computer ida 85
math 0 math chan 80

而关于 filter,我们援引官方文档上的例子作为对比

df_9 = pd.dataframe({'a' : ['foo', 'bar', 'foo', 'bar',
                          'foo', 'bar'],
                    'b' : [1, 2, 3, 4, 5, 6],
                    'c' : [2.0, 5., 8., 1., 2., 9.]})
df_9
a b c
0 foo 1 2.0
1 bar 2 5.0
2 foo 3 8.0
3 bar 4 1.0
4 foo 5 2.0
5 bar 6 9.0
df_9.groupby('a').filter(lambda x: x['b'].mean() > 3.)
a b c
1 bar 2 5.0
3 bar 4 1.0
5 bar 6 9.0

part 3:groupby 应用举例

talk 9:组内缺失值填充

df_10 = pd.dataframe({"id":["a","a","a","b","b","b"], "num": [100,np.nan,300,np.nan,500,600]})
df_10
id num
0 a 100.0
1 a nan
2 a 300.0
3 b nan
4 b 500.0
5 b 600.0
df_10.groupby("id", as_index=false).num.transform(lambda x: x.fillna(method="ffill")).transform(lambda x: x.fillna(method="bfill"))
num
0 100.0
1 100.0
2 300.0
3 500.0
4 500.0
5 600.0

如果dataframe比较大(超过1gb),transform + lambda方法会比较慢,可以用下面这个方法,速度约比上面的组合快100倍。

df_10.groupby("id",as_index=false).ffill().groupby("id",as_index=false).bfill()
id num
0 a 100.0
1 a 100.0
2 a 300.0
3 b 500.0
4 b 500.0
5 b 600.0

参考资料:

Pandas进阶笔记 (一) Groupby 重难点总结