Pandas 中文参考指南

Group by: split-apply-combine

我们指的“按组分配”是一个涉及以下一个或多个步骤的过程：

根据一些条件将数据拆分为组。
将函数独立应用到每个组。
将结果合并到一个数据结构中。

在这些情况中，拆分步骤是最直接的。在应用步骤中，我们可能希望执行以下操作之一：

聚合：计算每个组的汇总统计信息（或统计信息）。一些示例：
计算组的总和或平均值。
计算组的大小/数量。
转换：执行一些特定于组的计算并将类似于索引的对象返回。一些示例：
在组内标准化数据（z 分数）。
使用从每个组派生的值填充组中的 NA。
过滤：根据评估为 True 或 False 的各组计算丢弃一些组。一些示例：
丢弃仅有几个成员的组中的数据。
根据组的总和或平均值过滤数据。

许多这些运算符都是在 GroupBy 对象上定义的。这些运算符与 aggregating API、 window API 和 resample API 类似。

给定运算符可能不属于这些类别中的一类，也可能是它们的某种组合。在这种情况下，可能可以通过 GroupBy 的 apply 方法来计算运算符。此方法将检查 apply 步骤的结果，并尝试将其合理地组合到单个结果中（如果它不属于上述三类中的任何一类）。

使用内置 GroupBy 运算符分成多个步骤的运算符比使用 apply 方法和用户定义的 Python 函数效率更高。

对于使用过基于 SQL 的工具（或 itertools）的用户而言，GroupBy 名称应该非常熟悉，您可以在其中编写如下代码：

SELECT Column1, Column2, mean(Column3), sum(Column4)
FROM SomeTable
GROUP BY Column1, Column2

我们旨在使用 pandas 使这样的操作自然且易于表达。我们将介绍 GroupBy 功能的各个方面，然后提供一些非平凡的示例/用例。

有关一些高级策略，请参见 cookbook。

Splitting an object into groups

分组的抽象定义是提供标签到组名的映射。要创建一个 GroupBy 对象（有关 GroupBy 对象的更多信息，请参见后面），您可以执行以下操作：

In [1]: speeds = pd.DataFrame(
   ...:     [
   ...:         ("bird", "Falconiformes", 389.0),
   ...:         ("bird", "Psittaciformes", 24.0),
   ...:         ("mammal", "Carnivora", 80.2),
   ...:         ("mammal", "Primates", np.nan),
   ...:         ("mammal", "Carnivora", 58),
   ...:     ],
   ...:     index=["falcon", "parrot", "lion", "monkey", "leopard"],
   ...:     columns=("class", "order", "max_speed"),
   ...: )
   ...:

In [2]: speeds
Out[2]:
          class           order  max_speed
falcon     bird   Falconiformes      389.0
parrot     bird  Psittaciformes       24.0
lion     mammal       Carnivora       80.2
monkey   mammal        Primates        NaN
leopard  mammal       Carnivora       58.0

In [3]: grouped = speeds.groupby("class")

In [4]: grouped = speeds.groupby(["class", "order"])

可以通过多种不同的方式指定映射：

Python 函数，它将被调用在各个索引标签上。
与索引长度相同的列表或 NumPy 数组。
dict 或 Series，提供 label → group name 映射。
对于 DataFrame 对象，指示要用作组的列名或索引层名的字符串。
以上这些事物的列表。

我们统称分组对象为键。例如，请考虑以下内容 DataFrame：

传递给 groupby 的字符串可以引用列或索引层。如果字符串同时匹配列名和索引层名，则会引发 ValueError。

In [5]: 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),
   ...:     }
   ...: )
   ...:

In [6]: df
Out[6]:
     A      B         C         D
0  foo    one  0.469112 -0.861849
1  bar    one -0.282863 -2.104569
2  foo    two -1.509059 -0.494929
3  bar  three -1.135632  1.071804
4  foo    two  1.212112  0.721555
5  bar    two -0.173215 -0.706771
6  foo    one  0.119209 -1.039575
7  foo  three -1.044236  0.271860

在 DataFrame 上，我们通过调用 groupby() 来获取 GroupBy 对象。此方法返回一个 pandas.api.typing.DataFrameGroupBy 实例。我们当然可以通过 A 或 B 列（或两者）进行分组：

In [7]: grouped = df.groupby("A")

In [8]: grouped = df.groupby("B")

In [9]: grouped = df.groupby(["A", "B"])

df.groupby('A') 只是 df.groupby(df['A']) 的语法糖。

如果我们还对列 A 和 B 使用 MultiIndex，则我们可以对除我们指定的列之外的所有列进行分组：

In [10]: df2 = df.set_index(["A", "B"])

In [11]: grouped = df2.groupby(level=df2.index.names.difference(["B"]))

In [12]: grouped.sum()
Out[12]:
            C         D
A
bar -1.591710 -1.739537
foo -0.752861 -1.402938

上述 GroupBy 将根据其索引（行）来划分 DataFrame。要根据列划分，首先进行转置：

In [13]: def get_letter_type(letter):
   ....:     if letter.lower() in 'aeiou':
   ....:         return 'vowel'
   ....:     else:
   ....:         return 'consonant'
   ....:

In [14]: grouped = df.T.groupby(get_letter_type)

pandas Index 对象支持重复值。如果在 groupby 操作中将非唯一索引用作组键，则具有相同索引值的所有值都将被视为属于一个组，因此聚合函数的输出将仅包含唯一索引值：

In [15]: index = [1, 2, 3, 1, 2, 3]

In [16]: s = pd.Series([1, 2, 3, 10, 20, 30], index=index)

In [17]: s
Out[17]:
1     1
2     2
3     3
1    10
2    20
3    30
dtype: int64

In [18]: grouped = s.groupby(level=0)

In [19]: grouped.first()
Out[19]:
1    1
2    2
3    3
dtype: int64

In [20]: grouped.last()
Out[20]:
1    10
2    20
3    30
dtype: int64

In [21]: grouped.sum()
Out[21]:
1    11
2    22
3    33
dtype: int64

请注意，在需要之前不会发生拆分。创建 GroupBy 对象仅验证您是否传递了有效的映射。

许多类型的复杂数据处理可以用 GroupBy 操作来表示（尽管不能保证是最有效的实现）。您可以对标签映射函数进行非常有创意的操作。

GroupBy sorting

默认情况下，在 groupby 操作期间对组键进行排序。但您可以传递 sort=False 以潜在加快速度。通过 sort=False，组键之间的顺序遵循键在原始数据框中出现的顺序：

In [22]: df2 = pd.DataFrame({"X": ["B", "B", "A", "A"], "Y": [1, 2, 3, 4]})

In [23]: df2.groupby(["X"]).sum()
Out[23]:
   Y
X
A  7
B  3

In [24]: df2.groupby(["X"], sort=False).sum()
Out[24]:
   Y
X
B  3
A  7

请注意，groupby 将保留每个组中观察结果的排序顺序。例如，下面 groupby() 创建的组按它们在原始 DataFrame 中出现的顺序排序：

In [25]: df3 = pd.DataFrame({"X": ["A", "B", "A", "B"], "Y": [1, 4, 3, 2]})

In [26]: df3.groupby("X").get_group("A")
Out[26]:
   X  Y
0  A  1
2  A  3

In [27]: df3.groupby(["X"]).get_group(("B",))
Out[27]:
   X  Y
1  B  4
3  B  2

默认情况下，在 groupby 操作期间将 NA 值从组键中排除。但是，如果您想在组键中包括 NA 值，则可以传递 dropna=False 以实现此目的。

In [28]: df_list = [[1, 2, 3], [1, None, 4], [2, 1, 3], [1, 2, 2]]

In [29]: df_dropna = pd.DataFrame(df_list, columns=["a", "b", "c"])

In [30]: df_dropna
Out[30]:
   a    b  c
0  1  2.0  3
1  1  NaN  4
2  2  1.0  3
3  1  2.0  2

# Default ``dropna`` is set to True, which will exclude NaNs in keys
In [31]: df_dropna.groupby(by=["b"], dropna=True).sum()
Out[31]:
     a  c
b
1.0  2  3
2.0  2  5

# In order to allow NaN in keys, set ``dropna`` to False
In [32]: df_dropna.groupby(by=["b"], dropna=False).sum()
Out[32]:
     a  c
b
1.0  2  3
2.0  2  5
NaN  1  4

dropna 参数的默认设置是 True，这意味着 NA 不包含在组键中。

GroupBy object attributes

groups 属性是一个字典，其键是计算所得的唯一组，相应的值是属于每个组的轴标签。在上面的示例中，我们有：

In [33]: df.groupby("A").groups
Out[33]: {'bar': [1, 3, 5], 'foo': [0, 2, 4, 6, 7]}

In [34]: df.T.groupby(get_letter_type).groups
Out[34]: {'consonant': ['B', 'C', 'D'], 'vowel': ['A']}

在 GroupBy 对象上调用标准 Python len 函数将返回组的数量，这与 groups 字典的长度相同：

In [35]: grouped = df.groupby(["A", "B"])

In [36]: grouped.groups
Out[36]: {('bar', 'one'): [1], ('bar', 'three'): [3], ('bar', 'two'): [5], ('foo', 'one'): [0, 6], ('foo', 'three'): [7], ('foo', 'two'): [2, 4]}

In [37]: len(grouped)
Out[37]: 6

GroupBy 将制表符自动完成列名、GroupBy 操作和其他属性：

In [38]: n = 10

In [39]: weight = np.random.normal(166, 20, size=n)

In [40]: height = np.random.normal(60, 10, size=n)

In [41]: time = pd.date_range("1/1/2000", periods=n)

In [42]: gender = np.random.choice(["male", "female"], size=n)

In [43]: df = pd.DataFrame(
   ....:     {"height": height, "weight": weight, "gender": gender}, index=time
   ....: )
   ....:

In [44]: df
Out[44]:
               height      weight  gender
2000-01-01  42.849980  157.500553    male
2000-01-02  49.607315  177.340407    male
2000-01-03  56.293531  171.524640    male
2000-01-04  48.421077  144.251986  female
2000-01-05  46.556882  152.526206    male
2000-01-06  68.448851  168.272968  female
2000-01-07  70.757698  136.431469    male
2000-01-08  58.909500  176.499753  female
2000-01-09  76.435631  174.094104  female
2000-01-10  45.306120  177.540920    male

In [45]: gb = df.groupby("gender")

In [46]: gb.<TAB>  # noqa: E225, E999
gb.agg        gb.boxplot    gb.cummin     gb.describe   gb.filter     gb.get_group  gb.height     gb.last       gb.median     gb.ngroups    gb.plot       gb.rank       gb.std        gb.transform
gb.aggregate  gb.count      gb.cumprod    gb.dtype      gb.first      gb.groups     gb.hist       gb.max        gb.min        gb.nth        gb.prod       gb.resample   gb.sum        gb.var
gb.apply      gb.cummax     gb.cumsum     gb.fillna     gb.gender     gb.head       gb.indices    gb.mean       gb.name       gb.ohlc       gb.quantile   gb.size       gb.tail       gb.weight

GroupBy with MultiIndex

使用 hierarchically-indexed data 时，按层次结构的一个级别分组是相当自然的。

让我们创建一个具有两级 MultiIndex 的 Series。

In [47]: arrays = [
   ....:     ["bar", "bar", "baz", "baz", "foo", "foo", "qux", "qux"],
   ....:     ["one", "two", "one", "two", "one", "two", "one", "two"],
   ....: ]
   ....:

In [48]: index = pd.MultiIndex.from_arrays(arrays, names=["first", "second"])

In [49]: s = pd.Series(np.random.randn(8), index=index)

In [50]: s
Out[50]:
first  second
bar    one      -0.919854
       two      -0.042379
baz    one       1.247642
       two      -0.009920
foo    one       0.290213
       two       0.495767
qux    one       0.362949
       two       1.548106
dtype: float64

然后我们可以在 s 中按其中一个级别分组。

In [51]: grouped = s.groupby(level=0)

In [52]: grouped.sum()
Out[52]:
first
bar   -0.962232
baz    1.237723
foo    0.785980
qux    1.911055
dtype: float64

如果 MultiIndex 指定了名称，则可以传递这些名称而不是级别编号：

In [53]: s.groupby(level="second").sum()
Out[53]:
second
one    0.980950
two    1.991575
dtype: float64

支持使用多个级别进行分组。

In [54]: arrays = [
   ....:     ["bar", "bar", "baz", "baz", "foo", "foo", "qux", "qux"],
   ....:     ["doo", "doo", "bee", "bee", "bop", "bop", "bop", "bop"],
   ....:     ["one", "two", "one", "two", "one", "two", "one", "two"],
   ....: ]
   ....:

In [55]: index = pd.MultiIndex.from_arrays(arrays, names=["first", "second", "third"])

In [56]: s = pd.Series(np.random.randn(8), index=index)

In [57]: s
Out[57]:
first  second  third
bar    doo     one     -1.131345
               two     -0.089329
baz    bee     one      0.337863
               two     -0.945867
foo    bop     one     -0.932132
               two      1.956030
qux    bop     one      0.017587
               two     -0.016692
dtype: float64

In [58]: s.groupby(level=["first", "second"]).sum()
Out[58]:
first  second
bar    doo      -1.220674
baz    bee      -0.608004
foo    bop       1.023898
qux    bop       0.000895
dtype: float64

可以将索引级别名称提供为键。

In [59]: s.groupby(["first", "second"]).sum()
Out[59]:
first  second
bar    doo      -1.220674
baz    bee      -0.608004
foo    bop       1.023898
qux    bop       0.000895
dtype: float64

有关 sum 函数和聚合的更多信息请参阅后面的内容。

Grouping DataFrame with Index levels and columns

一个 DataFrame 可以按列和索引级别的组合进行分组。您可以同时指定列和索引名称，或使用 Grouper。

让我们首先创建一个具有 MultiIndex 的 DataFrame：

In [60]: arrays = [
   ....:     ["bar", "bar", "baz", "baz", "foo", "foo", "qux", "qux"],
   ....:     ["one", "two", "one", "two", "one", "two", "one", "two"],
   ....: ]
   ....:

In [61]: index = pd.MultiIndex.from_arrays(arrays, names=["first", "second"])

In [62]: df = pd.DataFrame({"A": [1, 1, 1, 1, 2, 2, 3, 3], "B": np.arange(8)}, index=index)

In [63]: df
Out[63]:
              A  B
first second
bar   one     1  0
      two     1  1
baz   one     1  2
      two     1  3
foo   one     2  4
      two     2  5
qux   one     3  6
      two     3  7

然后我们按_df_中的_second_索引级别和_A_列分组。

In [64]: df.groupby([pd.Grouper(level=1), "A"]).sum()
Out[64]:
          B
second A
one    1  2
       2  4
       3  6
two    1  4
       2  5
       3  7

索引级别也可以按名称指定。

In [65]: df.groupby([pd.Grouper(level="second"), "A"]).sum()
Out[65]:
          B
second A
one    1  2
       2  4
       3  6
two    1  4
       2  5
       3  7

可以将索引级别名称直接指定为_groupby_的键。

In [66]: df.groupby(["second", "A"]).sum()
Out[66]:
          B
second A
one    1  2
       2  4
       3  6
two    1  4
       2  5
       3  7

DataFrame column selection in GroupBy

从 DataFrame 创建 GroupBy 对象后，你可能希望对每列执行不同的操作。因此，通过以类似于从 DataFrame 获取列的方式使用 GroupBy 对象上的_[]_，你可以这样做：

In [67]: 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),
   ....:     }
   ....: )
   ....:

In [68]: df
Out[68]:
     A      B         C         D
0  foo    one -0.575247  1.346061
1  bar    one  0.254161  1.511763
2  foo    two -1.143704  1.627081
3  bar  three  0.215897 -0.990582
4  foo    two  1.193555 -0.441652
5  bar    two -0.077118  1.211526
6  foo    one -0.408530  0.268520
7  foo  three -0.862495  0.024580

In [69]: grouped = df.groupby(["A"])

In [70]: grouped_C = grouped["C"]

In [71]: grouped_D = grouped["D"]

这主要是对于替代方案的语法糖，该替代方案更加冗长：

In [72]: df["C"].groupby(df["A"])
Out[72]: <pandas.core.groupby.generic.SeriesGroupBy object at 0x7ff2cef1c730>

此外，此方法避免重新计算从传递密钥派生的内部分组信息。

你还可以包括分组列（如果你希望对其进行操作）。

In [73]: grouped[["A", "B"]].sum()
Out[73]:
                   A                  B
A
bar        barbarbar        onethreetwo
foo  foofoofoofoofoo  onetwotwoonethree

Iterating through groups

有了 GroupBy 对象，遍历分组数据非常自然，并且功能类似于 itertools.groupby()：

In [74]: grouped = df.groupby('A')

In [75]: for name, group in grouped:
   ....:     print(name)
   ....:     print(group)
   ....:
bar
     A      B         C         D
1  bar    one  0.254161  1.511763
3  bar  three  0.215897 -0.990582
5  bar    two -0.077118  1.211526
foo
     A      B         C         D
0  foo    one -0.575247  1.346061
2  foo    two -1.143704  1.627081
4  foo    two  1.193555 -0.441652
6  foo    one -0.408530  0.268520
7  foo  three -0.862495  0.024580

如果按多个键分组，则组名称将是一个元组：

In [76]: for name, group in df.groupby(['A', 'B']):
   ....:     print(name)
   ....:     print(group)
   ....:
('bar', 'one')
     A    B         C         D
1  bar  one  0.254161  1.511763
('bar', 'three')
     A      B         C         D
3  bar  three  0.215897 -0.990582
('bar', 'two')
     A    B         C         D
5  bar  two -0.077118  1.211526
('foo', 'one')
     A    B         C         D
0  foo  one -0.575247  1.346061
6  foo  one -0.408530  0.268520
('foo', 'three')
     A      B         C        D
7  foo  three -0.862495  0.02458
('foo', 'two')
     A    B         C         D
2  foo  two -1.143704  1.627081
4  foo  two  1.193555 -0.441652

请参阅 Iterating through groups。

Selecting a group

可以使用 DataFrameGroupBy.get_group()选择单个组：

In [77]: grouped.get_group("bar")
Out[77]:
     A      B         C         D
1  bar    one  0.254161  1.511763
3  bar  three  0.215897 -0.990582
5  bar    two -0.077118  1.211526

或者对于在多列上分组的对象：

In [78]: df.groupby(["A", "B"]).get_group(("bar", "one"))
Out[78]:
     A    B         C         D
1  bar  one  0.254161  1.511763

Aggregation

聚合是 GroupBy 操作，用于减少分组对象的维度。聚合结果是（或至少被视为）组中每列的标量值。例如，生成一组值中每列的和。

In [79]: animals = pd.DataFrame(
   ....:     {
   ....:         "kind": ["cat", "dog", "cat", "dog"],
   ....:         "height": [9.1, 6.0, 9.5, 34.0],
   ....:         "weight": [7.9, 7.5, 9.9, 198.0],
   ....:     }
   ....: )
   ....:

In [80]: animals
Out[80]:
  kind  height  weight
0  cat     9.1     7.9
1  dog     6.0     7.5
2  cat     9.5     9.9
3  dog    34.0   198.0

In [81]: animals.groupby("kind").sum()
Out[81]:
      height  weight
kind
cat     18.6    17.8
dog     40.0   205.5

在结果中，组的键在索引中默认显示。相反，通过传递_as_index=False_，它们可以包含在列中。

In [82]: animals.groupby("kind", as_index=False).sum()
Out[82]:
  kind  height  weight
0  cat    18.6    17.8
1  dog    40.0   205.5

Built-in aggregation methods

许多常见的聚合都是作为方法内置到 GroupBy 对象中的。在下面列出的方法中，带有_*_的方法没有高效的特定于 GroupBy 的实现。

方法

说明

any()

计算组中的任何值是否为真值

all()

计算组中所有值的真值

count()

计算组中非 NA 值的数量

cov() *

计算组的协方差

计算每个组中第一个出现的值

计算每个组中最大值的下标

计算每个组中最小值的下标

计算每个组中最后出现的值

计算每个组中的最大值

计算每个组的平均值

计算每个组的中值

计算每组中的最小值

计算每组中的唯一值的数目

计算每组中值的乘积

计算每组中的值的给定分位数

计算每组中的值的均值的标准误差

计算每组中的值的数目

计算每组中的值的偏度

计算每组中的值的标准差

计算每组中值的总和

计算每组中值的差异

举例：

In [83]: df.groupby("A")[["C", "D"]].max()
Out[83]:
            C         D
A
bar  0.254161  1.511763
foo  1.193555  1.627081

In [84]: df.groupby(["A", "B"]).mean()
Out[84]:
                  C         D
A   B
bar one    0.254161  1.511763
    three  0.215897 -0.990582
    two   -0.077118  1.211526
foo one   -0.491888  0.807291
    three -0.862495  0.024580
    two    0.024925  0.592714

另一个聚合示例是计算每组的大小。它包含在 GroupBy 中，作为方法 size。它返回一个 Series，其索引由组名组成，而值是由每组的大小组成。

In [85]: grouped = df.groupby(["A", "B"])

In [86]: grouped.size()
Out[86]:
A    B
bar  one      1
     three    1
     two      1
foo  one      2
     three    1
     two      2
dtype: int64

虽然方法 DataFrameGroupBy.describe() 本身不是一个还原器，但它可用于方便地生成每个组的摘要统计信息的集合。

In [87]: grouped.describe()
Out[87]:
              C                      ...         D
          count      mean       std  ...       50%       75%       max
A   B                                ...
bar one     1.0  0.254161       NaN  ...  1.511763  1.511763  1.511763
    three   1.0  0.215897       NaN  ... -0.990582 -0.990582 -0.990582
    two     1.0 -0.077118       NaN  ...  1.211526  1.211526  1.211526
foo one     2.0 -0.491888  0.117887  ...  0.807291  1.076676  1.346061
    three   1.0 -0.862495       NaN  ...  0.024580  0.024580  0.024580
    two     2.0  0.024925  1.652692  ...  0.592714  1.109898  1.627081

[6 rows x 16 columns]

另一个聚合示例是计算每组的唯一值的数量。它类似于函数 DataFrameGroupBy.value_counts()，除了它只计算唯一值的数目。

In [88]: ll = [['foo', 1], ['foo', 2], ['foo', 2], ['bar', 1], ['bar', 1]]

In [89]: df4 = pd.DataFrame(ll, columns=["A", "B"])

In [90]: df4
Out[90]:
     A  B
0  foo  1
1  foo  2
2  foo  2
3  bar  1
4  bar  1

In [91]: df4.groupby("A")["B"].nunique()
Out[91]:
A
bar    1
foo    2
Name: B, dtype: int64

当 as_index=True 为默认值时，聚合函数不会将您要聚合的组作为命名列返回。分组的列将是返回对象索引。

传递 as_index=False 将返回您要聚合的组作为命名列，无论它们是命名索引，还是输入中的列。

The aggregate() method

方法 aggregate() 可接受类型各异的输入。本节详细介绍了用于 GroupBy 各种方法的字符串别名；其他输入在下面的各节中进行详细介绍。

pandas 实现的任何还原方法都可以作为字符串传递给 aggregate()。鼓励用户使用简写形式 agg。它将操作为相应的方法被调用一般。

In [92]: grouped = df.groupby("A")

In [93]: grouped[["C", "D"]].aggregate("sum")
Out[93]:
            C         D
A
bar  0.392940  1.732707
foo -1.796421  2.824590

In [94]: grouped = df.groupby(["A", "B"])

In [95]: grouped.agg("sum")
Out[95]:
                  C         D
A   B
bar one    0.254161  1.511763
    three  0.215897 -0.990582
    two   -0.077118  1.211526
foo one   -0.983776  1.614581
    three -0.862495  0.024580
    two    0.049851  1.185429

聚合的结果会将组名作为新的索引。如果是多个键，结果默认是一个 MultiIndex。如上所述，可以通过使用选项 as_index 更改它：

In [96]: grouped = df.groupby(["A", "B"], as_index=False)

In [97]: grouped.agg("sum")
Out[97]:
     A      B         C         D
0  bar    one  0.254161  1.511763
1  bar  three  0.215897 -0.990582
2  bar    two -0.077118  1.211526
3  foo    one -0.983776  1.614581
4  foo  three -0.862495  0.024580
5  foo    two  0.049851  1.185429

In [98]: df.groupby("A", as_index=False)[["C", "D"]].agg("sum")
Out[98]:
     A         C         D
0  bar  0.392940  1.732707
1  foo -1.796421  2.824590

请注意，您可以使用 DataFrame.reset_index() DataFrame 函数来实现与列名相同的目标，因为列名被存储在结果 MultiIndex 中，尽管这会做一个额外的副本。

In [99]: df.groupby(["A", "B"]).agg("sum").reset_index()
Out[99]:
     A      B         C         D
0  bar    one  0.254161  1.511763
1  bar  three  0.215897 -0.990582
2  bar    two -0.077118  1.211526
3  foo    one -0.983776  1.614581
4  foo  three -0.862495  0.024580
5  foo    two  0.049851  1.185429

Aggregation with User-Defined Functions

用户还可以提供自己的用户定义函数 (UDF)，用于自定义聚合。

警告

使用 UDF 进行聚合时，UDF 不应改变提供的 Series。有关更详细信息，请参阅 Mutating with User Defined Function (UDF) methods。

使用 UDF 进行聚合通常比使用 GroupBy 的 Pandas 内置方法性能低。考虑将复杂操作分解为利用内置方法的一系列操作。

In [100]: animals
Out[100]:
  kind  height  weight
0  cat     9.1     7.9
1  dog     6.0     7.5
2  cat     9.5     9.9
3  dog    34.0   198.0

In [101]: animals.groupby("kind")[["height"]].agg(lambda x: set(x))
Out[101]:
           height
kind
cat    {9.1, 9.5}
dog   {34.0, 6.0}

结果的 dtype 将反映聚合函数的 dtype。如果不同组的结果具有不同的 dtype，那么将按照构造 DataFrame 的方式确定一个共同的 dtype。

In [102]: animals.groupby("kind")[["height"]].agg(lambda x: x.astype(int).sum())
Out[102]:
      height
kind
cat       18
dog       40

Applying multiple functions at once

在已分组的 Series 上，您可以将函数列表或字典传给 SeriesGroupBy.agg()，输出一个 DataFrame：

In [103]: grouped = df.groupby("A")

In [104]: grouped["C"].agg(["sum", "mean", "std"])
Out[104]:
          sum      mean       std
A
bar  0.392940  0.130980  0.181231
foo -1.796421 -0.359284  0.912265

在已分组的 DataFrame 上，您可以将函数列表传给 DataFrameGroupBy.agg()，以聚合每一列，它会生成一个聚合结果和一个分级的列索引：

In [105]: grouped[["C", "D"]].agg(["sum", "mean", "std"])
Out[105]:
            C                             D
          sum      mean       std       sum      mean       std
A
bar  0.392940  0.130980  0.181231  1.732707  0.577569  1.366330
foo -1.796421 -0.359284  0.912265  2.824590  0.564918  0.884785

结果的聚合以函数本身命名。如果您需要重命名，那么您可以添加一个 Series 的链式操作，如下所示：

In [106]: (
   .....:     grouped["C"]
   .....:     .agg(["sum", "mean", "std"])
   .....:     .rename(columns={"sum": "foo", "mean": "bar", "std": "baz"})
   .....: )
   .....:
Out[106]:
          foo       bar       baz
A
bar  0.392940  0.130980  0.181231
foo -1.796421 -0.359284  0.912265

对于已分组的 DataFrame，您可以以类似的方式进行重命名：

In [107]: (
   .....:     grouped[["C", "D"]].agg(["sum", "mean", "std"]).rename(
   .....:         columns={"sum": "foo", "mean": "bar", "std": "baz"}
   .....:     )
   .....: )
   .....:
Out[107]:
            C                             D
          foo       bar       baz       foo       bar       baz
A
bar  0.392940  0.130980  0.181231  1.732707  0.577569  1.366330
foo -1.796421 -0.359284  0.912265  2.824590  0.564918  0.884785

通常情况下，输出列名应该是唯一的，但是 pandas 允许您对同一列应用相同的函数（或具有相同名称的两个函数）。

In [108]: grouped["C"].agg(["sum", "sum"])
Out[108]:
          sum       sum
A
bar  0.392940  0.392940
foo -1.796421 -1.796421

pandas 还可以让你提供多个 lambda。在这种情况下，pandas 会破坏（无名字）lambda 函数的名字，将 _<i> 附加到每个后续的 lambda。

In [109]: grouped["C"].agg([lambda x: x.max() - x.min(), lambda x: x.median() - x.mean()])
Out[109]:
     <lambda_0>  <lambda_1>
A
bar    0.331279    0.084917
foo    2.337259   -0.215962

Named aggregation

为了支持对输出列名进行控制的列特定聚合，pandas 采用了 DataFrameGroupBy.agg() 和 SeriesGroupBy.agg() 中的特殊语法，称为“命名聚合”，其中：

关键字是输出列名
值是元组，其中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 NamedAgg 名元组，并带有字段 ['column', 'aggfunc']，以便更清楚地表明参数是什么。与往常一样，聚合可以是可调用的或字符串别名。

In [110]: animals
Out[110]:
  kind  height  weight
0  cat     9.1     7.9
1  dog     6.0     7.5
2  cat     9.5     9.9
3  dog    34.0   198.0

In [111]: animals.groupby("kind").agg(
   .....:     min_height=pd.NamedAgg(column="height", aggfunc="min"),
   .....:     max_height=pd.NamedAgg(column="height", aggfunc="max"),
   .....:     average_weight=pd.NamedAgg(column="weight", aggfunc="mean"),
   .....: )
   .....:
Out[111]:
      min_height  max_height  average_weight
kind
cat          9.1         9.5            8.90
dog          6.0        34.0          102.75

NamedAgg 只是一个 namedtuple。普通元组也是允许的。

In [112]: animals.groupby("kind").agg(
   .....:     min_height=("height", "min"),
   .....:     max_height=("height", "max"),
   .....:     average_weight=("weight", "mean"),
   .....: )
   .....:
Out[112]:
      min_height  max_height  average_weight
kind
cat          9.1         9.5            8.90
dog          6.0        34.0          102.75

如果你想要的列名不是有效的 Python 关键字，请构造一个字典并解包关键字参数。

In [113]: animals.groupby("kind").agg(
   .....:     **{
   .....:         "total weight": pd.NamedAgg(column="weight", aggfunc="sum")
   .....:     }
   .....: )
   .....:
Out[113]:
      total weight
kind
cat           17.8
dog          205.5

在使用命名聚合时，不会将附加关键字参数传递给聚合函数；只有 (column, aggfunc) 对才应该作为 **kwargs 传递。如果你的聚合函数需要附加参数，请使用 functools.partial() 部分地应用它们。

命名聚合对于 Series groupby 聚合也是有效的。在这种情况下，没有列选择，因此值只是函数。

In [114]: animals.groupby("kind").height.agg(
   .....:     min_height="min",
   .....:     max_height="max",
   .....: )
   .....:
Out[114]:
      min_height  max_height
kind
cat          9.1         9.5
dog          6.0        34.0

Applying different functions to DataFrame columns

通过将字典传递给 aggregate，可以将不同的聚合应用到 DataFrame 的列：

In [115]: grouped.agg({"C": "sum", "D": lambda x: np.std(x, ddof=1)})
Out[115]:
            C         D
A
bar  0.392940  1.366330
foo -1.796421  0.884785

函数名也可以是字符串。为了使字符串有效，它必须在 GroupBy 上实现：

In [116]: grouped.agg({"C": "sum", "D": "std"})
Out[116]:
            C         D
A
bar  0.392940  1.366330
foo -1.796421  0.884785

Transformation

转换是 GroupBy 操作，其结果与正在分组的结果相同。常见示例包括 cumsum() 和 diff()。

In [117]: speeds
Out[117]:
          class           order  max_speed
falcon     bird   Falconiformes      389.0
parrot     bird  Psittaciformes       24.0
lion     mammal       Carnivora       80.2
monkey   mammal        Primates        NaN
leopard  mammal       Carnivora       58.0

In [118]: grouped = speeds.groupby("class")["max_speed"]

In [119]: grouped.cumsum()
Out[119]:
falcon     389.0
parrot     413.0
lion        80.2
monkey       NaN
leopard    138.2
Name: max_speed, dtype: float64

In [120]: grouped.diff()
Out[120]:
falcon       NaN
parrot    -365.0
lion         NaN
monkey       NaN
leopard      NaN
Name: max_speed, dtype: float64

与聚合不同，用于拆分原始对象的组不包含在结果中。

由于转换不包括用于拆分结果的分组，因此 DataFrame.groupby() 和 Series.groupby() 中的参数 as_index 和 sort 没有影响。

转换的常见用途是将结果添加回原始 DataFrame。

In [121]: result = speeds.copy()

In [122]: result["cumsum"] = grouped.cumsum()

In [123]: result["diff"] = grouped.diff()

In [124]: result
Out[124]:
          class           order  max_speed  cumsum   diff
falcon     bird   Falconiformes      389.0   389.0    NaN
parrot     bird  Psittaciformes       24.0   413.0 -365.0
lion     mammal       Carnivora       80.2    80.2    NaN
monkey   mammal        Primates        NaN     NaN    NaN
leopard  mammal       Carnivora       58.0   138.2    NaN

Built-in transformation methods

GroupBy 上的以下方法充当转换。

方法

说明

在各个组中回填 NA 值

计算各个组内的累积计数

计算每个组内的累积最大值

计算每个组内的累积最小值

计算每个组内的累积乘积

计算每个组内的累积和

计算每个组内相邻值之间的差值

向前填充每个组内的 NA 值

计算每个组内相邻值之间的百分比变化

计算每个组内每个值的排名

在每个组内向上或向下改变值

此外，将任何内置聚合方法作为字符串传递给 transform()（请参见下一部分）会在整个组内广播结果，从而产生变换后的结果。如果聚合方法具有高效的实现，那么这也会具有很高的执行效率。

The transform() method

与 aggregation method 类似， transform() 方法可以接受上一部分中内置变换方法的字符串别名。它还可以接受内置聚合方法的字符串别名。当提供聚合方法时，结果将在整个组内广播。

In [125]: speeds
Out[125]:
          class           order  max_speed
falcon     bird   Falconiformes      389.0
parrot     bird  Psittaciformes       24.0
lion     mammal       Carnivora       80.2
monkey   mammal        Primates        NaN
leopard  mammal       Carnivora       58.0

In [126]: grouped = speeds.groupby("class")[["max_speed"]]

In [127]: grouped.transform("cumsum")
Out[127]:
         max_speed
falcon       389.0
parrot       413.0
lion          80.2
monkey         NaN
leopard      138.2

In [128]: grouped.transform("sum")
Out[128]:
         max_speed
falcon       413.0
parrot       413.0
lion         138.2
monkey       138.2
leopard      138.2

除了字符串别名， transform() 方法还可以接受用户定义函数 (UDF)。UDF 必须：

返回一个结果，该结果与组块的大小相同或可广播到组块的大小（例如，标量，grouped.transform(lambda x: x.iloc[-1])）。
对组块逐列执行操作。变换使用 chunk.apply 应用于第一个组块。
不对组块执行就地操作。组块应该被视为不可变的，对组块的更改可能会产生意外结果。有关更多信息，请参见 Mutating with User Defined Function (UDF) methods。
（可选）一次对整个组块的所有列进行操作。如果支持此选项，则从第二个块开始使用快速路径。

使用 UDF 提供 transform 的这种变换通常比使用 GroupBy 上的内置方法性能较低。考虑将复杂操作拆分成利用内置方法的一系列操作。

本节中的所有示例可以通过调用内置方法而不是使用 UDF 来提高性能。请参见 below for examples。

在版本 2.0.0 中更改：使用 .transform 对分组 DataFrame 进行变换，并且变换函数返回 DataFrame 后，pandas 现在将结果的索引与输入的索引对齐。可以在变换函数中调用 .to_numpy() 以避免对齐。

与 The aggregate() method 类似，最终的 dtype 将反映变换函数的 dtype。如果不同组的结果具有不同的 dtype，则将以与 DataFrame 构造相同的方式确定通用 dtype。

假设我们希望在每个组内标准化数据：

In [129]: index = pd.date_range("10/1/1999", periods=1100)

In [130]: ts = pd.Series(np.random.normal(0.5, 2, 1100), index)

In [131]: ts = ts.rolling(window=100, min_periods=100).mean().dropna()

In [132]: ts.head()
Out[132]:
2000-01-08    0.779333
2000-01-09    0.778852
2000-01-10    0.786476
2000-01-11    0.782797
2000-01-12    0.798110
Freq: D, dtype: float64

In [133]: ts.tail()
Out[133]:
2002-09-30    0.660294
2002-10-01    0.631095
2002-10-02    0.673601
2002-10-03    0.709213
2002-10-04    0.719369
Freq: D, dtype: float64

In [134]: transformed = ts.groupby(lambda x: x.year).transform(
   .....:     lambda x: (x - x.mean()) / x.std()
   .....: )
   .....:

我们希望结果在每个组内现在具有均值 0 和标准偏差 1（浮点错误除外），我们可以轻松地检查这一点：

# Original Data
In [135]: grouped = ts.groupby(lambda x: x.year)

In [136]: grouped.mean()
Out[136]:
2000    0.442441
2001    0.526246
2002    0.459365
dtype: float64

In [137]: grouped.std()
Out[137]:
2000    0.131752
2001    0.210945
2002    0.128753
dtype: float64

# Transformed Data
In [138]: grouped_trans = transformed.groupby(lambda x: x.year)

In [139]: grouped_trans.mean()
Out[139]:
2000   -4.870756e-16
2001   -1.545187e-16
2002    4.136282e-16
dtype: float64

In [140]: grouped_trans.std()
Out[140]:
2000    1.0
2001    1.0
2002    1.0
dtype: float64

我们还可以直观地比较原始数据集和变换后的数据集。

In [141]: compare = pd.DataFrame({"Original": ts, "Transformed": transformed})

In [142]: compare.plot()
Out[142]: <Axes: >

输出维度较低的变换函数被广播以匹配输入数组的形状。

In [143]: ts.groupby(lambda x: x.year).transform(lambda x: x.max() - x.min())
Out[143]:
2000-01-08    0.623893
2000-01-09    0.623893
2000-01-10    0.623893
2000-01-11    0.623893
2000-01-12    0.623893
                ...
2002-09-30    0.558275
2002-10-01    0.558275
2002-10-02    0.558275
2002-10-03    0.558275
2002-10-04    0.558275
Freq: D, Length: 1001, dtype: float64

另一个常见的数据变换是用组均值替换缺失数据。

In [144]: cols = ["A", "B", "C"]

In [145]: values = np.random.randn(1000, 3)

In [146]: values[np.random.randint(0, 1000, 100), 0] = np.nan

In [147]: values[np.random.randint(0, 1000, 50), 1] = np.nan

In [148]: values[np.random.randint(0, 1000, 200), 2] = np.nan

In [149]: data_df = pd.DataFrame(values, columns=cols)

In [150]: data_df
Out[150]:
            A         B         C
0    1.539708 -1.166480  0.533026
1    1.302092 -0.505754       NaN
2   -0.371983  1.104803 -0.651520
3   -1.309622  1.118697 -1.161657
4   -1.924296  0.396437  0.812436
..        ...       ...       ...
995 -0.093110  0.683847 -0.774753
996 -0.185043  1.438572       NaN
997 -0.394469 -0.642343  0.011374
998 -1.174126  1.857148       NaN
999  0.234564  0.517098  0.393534

[1000 rows x 3 columns]

In [151]: countries = np.array(["US", "UK", "GR", "JP"])

In [152]: key = countries[np.random.randint(0, 4, 1000)]

In [153]: grouped = data_df.groupby(key)

# Non-NA count in each group
In [154]: grouped.count()
Out[154]:
      A    B    C
GR  209  217  189
JP  240  255  217
UK  216  231  193
US  239  250  217

In [155]: transformed = grouped.transform(lambda x: x.fillna(x.mean()))

我们可以验证组均值在变换后的数据中没有变化，并且变换后的数据不包含 NA。

In [156]: grouped_trans = transformed.groupby(key)

In [157]: grouped.mean()  # original group means
Out[157]:
           A         B         C
GR -0.098371 -0.015420  0.068053
JP  0.069025  0.023100 -0.077324
UK  0.034069 -0.052580 -0.116525
US  0.058664 -0.020399  0.028603

In [158]: grouped_trans.mean()  # transformation did not change group means
Out[158]:
           A         B         C
GR -0.098371 -0.015420  0.068053
JP  0.069025  0.023100 -0.077324
UK  0.034069 -0.052580 -0.116525
US  0.058664 -0.020399  0.028603

In [159]: grouped.count()  # original has some missing data points
Out[159]:
      A    B    C
GR  209  217  189
JP  240  255  217
UK  216  231  193
US  239  250  217

In [160]: grouped_trans.count()  # counts after transformation
Out[160]:
      A    B    C
GR  228  228  228
JP  267  267  267
UK  247  247  247
US  258  258  258

In [161]: grouped_trans.size()  # Verify non-NA count equals group size
Out[161]:
GR    228
JP    267
UK    247
US    258
dtype: int64

如上文所述，本节中的每个示例都可以使用内置方法更有效地计算。在以下代码中，使用 UDF 的低效方法已注释掉，更快的替代方法显示在下。

# result = ts.groupby(lambda x: x.year).transform(
#     lambda x: (x - x.mean()) / x.std()
# )
In [162]: grouped = ts.groupby(lambda x: x.year)

In [163]: result = (ts - grouped.transform("mean")) / grouped.transform("std")

# result = ts.groupby(lambda x: x.year).transform(lambda x: x.max() - x.min())
In [164]: grouped = ts.groupby(lambda x: x.year)

In [165]: result = grouped.transform("max") - grouped.transform("min")

# grouped = data_df.groupby(key)
# result = grouped.transform(lambda x: x.fillna(x.mean()))
In [166]: grouped = data_df.groupby(key)

In [167]: result = data_df.fillna(grouped.transform("mean"))

Window and resample operations

可以使用 resample()、expanding() 和 rolling() 作为组的对象方法。

下面的示例将基于列 A 的组，对列 B 的样本应用 rolling() 方法。

In [168]: df_re = pd.DataFrame({"A": [1] * 10 + [5] * 10, "B": np.arange(20)})

In [169]: df_re
Out[169]:
    A   B
0   1   0
1   1   1
2   1   2
3   1   3
4   1   4
.. ..  ..
15  5  15
16  5  16
17  5  17
18  5  18
19  5  19

[20 rows x 2 columns]

In [170]: df_re.groupby("A").rolling(4).B.mean()
Out[170]:
A
1  0      NaN
   1      NaN
   2      NaN
   3      1.5
   4      2.5
         ...
5  15    13.5
   16    14.5
   17    15.5
   18    16.5
   19    17.5
Name: B, Length: 20, dtype: float64

expanding() 方法将为每个特别组的所有成员积累给定操作（本例中为 sum()）。

In [171]: df_re.groupby("A").expanding().sum()
Out[171]:
          B
A
1 0     0.0
  1     1.0
  2     3.0
  3     6.0
  4    10.0
...     ...
5 15   75.0
  16   91.0
  17  108.0
  18  126.0
  19  145.0

[20 rows x 1 columns]

假设您想使用 resample() 方法在您数据框架的每个组中获取一个日频率，并且希望用 ffill() 方法补全缺失值。

In [172]: df_re = pd.DataFrame(
   .....:     {
   .....:         "date": pd.date_range(start="2016-01-01", periods=4, freq="W"),
   .....:         "group": [1, 1, 2, 2],
   .....:         "val": [5, 6, 7, 8],
   .....:     }
   .....: ).set_index("date")
   .....:

In [173]: df_re
Out[173]:
            group  val
date
2016-01-03      1    5
2016-01-10      1    6
2016-01-17      2    7
2016-01-24      2    8

In [174]: df_re.groupby("group").resample("1D", include_groups=False).ffill()
Out[174]:
                  val
group date
1     2016-01-03    5
      2016-01-04    5
      2016-01-05    5
      2016-01-06    5
      2016-01-07    5
...               ...
2     2016-01-20    7
      2016-01-21    7
      2016-01-22    7
      2016-01-23    7
      2016-01-24    8

[16 rows x 1 columns]

Filtration

过滤是一项 GroupBy 操作，它对原始分组对象进行子集化。它可以过滤出整个组、组的部分或两者。过滤将返回调用对象的一个经过过滤的版本，包括在已提供的情况下对分组列。在以下示例中，class 包含在结果中。

In [175]: speeds
Out[175]:
          class           order  max_speed
falcon     bird   Falconiformes      389.0
parrot     bird  Psittaciformes       24.0
lion     mammal       Carnivora       80.2
monkey   mammal        Primates        NaN
leopard  mammal       Carnivora       58.0

In [176]: speeds.groupby("class").nth(1)
Out[176]:
         class           order  max_speed
parrot    bird  Psittaciformes       24.0
monkey  mammal        Primates        NaN

与聚合不同，过滤不会将组键添加到结果的索引。因此，传递 as_index=False 或 sort=True 不会影响这些方法。

过滤会尊重 GroupBy 对象的列子集化。

In [177]: speeds.groupby("class")[["order", "max_speed"]].nth(1)
Out[177]:
                 order  max_speed
parrot  Psittaciformes       24.0
monkey        Primates        NaN

Built-in filtrations

以下 GroupBy 方法作为过滤作用。所有这些方法都有一个高效的、特定于 GroupBy 的实现。

方法

说明

head()

选择每个组的顶部行

nth()

选择每个组的第 n 行

tail()

选择每个组的底部行

用户还可以将转换与布尔索引一起使用，以便在组内构建复杂的过滤。例如，假设我们给出了产品组及其体积，并且我们希望将数据子集化到不超过每个组内总体积 90% 的仅限最大产品上。

In [178]: product_volumes = pd.DataFrame(
   .....:     {
   .....:         "group": list("xxxxyyy"),
   .....:         "product": list("abcdefg"),
   .....:         "volume": [10, 30, 20, 15, 40, 10, 20],
   .....:     }
   .....: )
   .....:

In [179]: product_volumes
Out[179]:
  group product  volume
0     x       a      10
1     x       b      30
2     x       c      20
3     x       d      15
4     y       e      40
5     y       f      10
6     y       g      20

# Sort by volume to select the largest products first
In [180]: product_volumes = product_volumes.sort_values("volume", ascending=False)

In [181]: grouped = product_volumes.groupby("group")["volume"]

In [182]: cumpct = grouped.cumsum() / grouped.transform("sum")

In [183]: cumpct
Out[183]:
4    0.571429
1    0.400000
2    0.666667
6    0.857143
3    0.866667
0    1.000000
5    1.000000
Name: volume, dtype: float64

In [184]: significant_products = product_volumes[cumpct <= 0.9]

In [185]: significant_products.sort_values(["group", "product"])
Out[185]:
  group product  volume
1     x       b      30
2     x       c      20
3     x       d      15
4     y       e      40
6     y       g      20

The filter method

通过使用用户自定义函数 (UDF) 向 filter 提供过滤通常比在 GroupBy 上使用内置方法的性能要低。考虑将复杂操作分解为一系列利用内置方法的操作。

filter 方法采用一个用户自定义函数 (UDF)，当对整个组应用该函数时，返回 True 或 False。然后，filter 方法的结果是 UDF 返回 True 的组的子集。

假设我们只想获取属于组和大于 2 的组和的元素。

In [186]: sf = pd.Series([1, 1, 2, 3, 3, 3])

In [187]: sf.groupby(sf).filter(lambda x: x.sum() > 2)
Out[187]:
3    3
4    3
5    3
dtype: int64

另一个有用的操作是过滤组中仅有几个成员的元素。

In [188]: dff = pd.DataFrame({"A": np.arange(8), "B": list("aabbbbcc")})

In [189]: dff.groupby("B").filter(lambda x: len(x) > 2)
Out[189]:
   A  B
2  2  b
3  3  b
4  4  b
5  5  b

另外，我们可以返回一个以相同索引为索引的对象，其中不通过过滤器的组用 NaN 填充，而不是删除有问题的组。

In [190]: dff.groupby("B").filter(lambda x: len(x) > 2, dropna=False)
Out[190]:
     A    B
0  NaN  NaN
1  NaN  NaN
2  2.0    b
3  3.0    b
4  4.0    b
5  5.0    b
6  NaN  NaN
7  NaN  NaN

对于具有多列的数据框，过滤器应明确指定一个列作为过滤器标准。

In [191]: dff["C"] = np.arange(8)

In [192]: dff.groupby("B").filter(lambda x: len(x["C"]) > 2)
Out[192]:
   A  B  C
2  2  b  2
3  3  b  3
4  4  b  4
5  5  b  5

Flexible apply

对分组数据的某些操作可能不适合于聚合、转换或过滤类别。对于这些操作，您可以使用 apply 函数。

警告

apply 必须尝试从结果中推断出应当作为reducer、transformer还是filter，具体取决于传递给它的内容。因此，分组列可能包含在输出中，也可能不包含。虽然它尝试智能猜测如何表现，但有时可能猜测错误。

本节中的所有示例都可以使用其他pandas功能以更可靠、更高效的方式进行计算。

In [193]: df
Out[193]:
     A      B         C         D
0  foo    one -0.575247  1.346061
1  bar    one  0.254161  1.511763
2  foo    two -1.143704  1.627081
3  bar  three  0.215897 -0.990582
4  foo    two  1.193555 -0.441652
5  bar    two -0.077118  1.211526
6  foo    one -0.408530  0.268520
7  foo  three -0.862495  0.024580

In [194]: grouped = df.groupby("A")

# could also just call .describe()
In [195]: grouped["C"].apply(lambda x: x.describe())
Out[195]:
A
bar  count    3.000000
     mean     0.130980
     std      0.181231
     min     -0.077118
     25%      0.069390
                ...
foo  min     -1.143704
     25%     -0.862495
     50%     -0.575247
     75%     -0.408530
     max      1.193555
Name: C, Length: 16, dtype: float64

返回结果的维度也可能发生变化：

In [196]: grouped = df.groupby('A')['C']

In [197]: def f(group):
   .....:     return pd.DataFrame({'original': group,
   .....:                          'demeaned': group - group.mean()})
   .....:

In [198]: grouped.apply(f)
Out[198]:
       original  demeaned
A
bar 1  0.254161  0.123181
    3  0.215897  0.084917
    5 -0.077118 -0.208098
foo 0 -0.575247 -0.215962
    2 -1.143704 -0.784420
    4  1.193555  1.552839
    6 -0.408530 -0.049245
    7 -0.862495 -0.503211

apply 在series上可以对apply函数返回的本身为series的返回值进行操作，并且可能将结果提升为DataFrame：

In [199]: def f(x):
   .....:     return pd.Series([x, x ** 2], index=["x", "x^2"])
   .....:

In [200]: s = pd.Series(np.random.rand(5))

In [201]: s
Out[201]:
0    0.582898
1    0.098352
2    0.001438
3    0.009420
4    0.815826
dtype: float64

In [202]: s.apply(f)
Out[202]:
          x       x^2
0  0.582898  0.339770
1  0.098352  0.009673
2  0.001438  0.000002
3  0.009420  0.000089
4  0.815826  0.665572

类似于 The aggregate() method，结果的dtype将反映apply函数的dtype。如果来自不同组的结果具有不同的dtype，则将以与_DataFrame_构造相同的方式确定公共dtype。

Control grouped column(s) placement with group_keys

要控制是否将分组列包含在索引中，可以使用参数_group_keys_，其默认为_True_。比较

In [203]: df.groupby("A", group_keys=True).apply(lambda x: x, include_groups=False)
Out[203]:
           B         C         D
A
bar 1    one  0.254161  1.511763
    3  three  0.215897 -0.990582
    5    two -0.077118  1.211526
foo 0    one -0.575247  1.346061
    2    two -1.143704  1.627081
    4    two  1.193555 -0.441652
    6    one -0.408530  0.268520
    7  three -0.862495  0.024580

带有

In [204]: df.groupby("A", group_keys=False).apply(lambda x: x, include_groups=False)
Out[204]:
       B         C         D
0    one -0.575247  1.346061
1    one  0.254161  1.511763
2    two -1.143704  1.627081
3  three  0.215897 -0.990582
4    two  1.193555 -0.441652
5    two -0.077118  1.211526
6    one -0.408530  0.268520
7  three -0.862495  0.024580

Numba Accelerated Routines

1.1版中的新增功能。

如果 Numba作为可选依赖项安装，则方法_transform_和_aggregate_支持参数_engine='numba'和_engine_kwargs。请参阅 enhancing performance with Numba以了解参数的一般用法和性能注意事项。

函数签名必须以_values,_ index_开头，具体取决于如何将属于每个组的数据传递到_values_以及如何将组索引传递到_index。

警告

在使用_engine='numba'_时，内部将没有“后备”行为。组数据和组索引将作为NumPy数组传递到JIT化用户定义函数，并且不会尝试其他执行尝试。

Other useful features

Exclusion of non-numeric columns

再次考虑我们已经观察过的示例DataFrame：

In [205]: df
Out[205]:
     A      B         C         D
0  foo    one -0.575247  1.346061
1  bar    one  0.254161  1.511763
2  foo    two -1.143704  1.627081
3  bar  three  0.215897 -0.990582
4  foo    two  1.193555 -0.441652
5  bar    two -0.077118  1.211526
6  foo    one -0.408530  0.268520
7  foo  three -0.862495  0.024580

假设我们希望按_A_列计算标准差。这里有个小问题，即我们不在乎列_B_中的数据，因为它不是数字。你可以通过指定_numeric_only=True_来避免非数字列：

In [206]: df.groupby("A").std(numeric_only=True)
Out[206]:
            C         D
A
bar  0.181231  1.366330
foo  0.912265  0.884785

注意，df.groupby('A').colname.std()._比_df.groupby('A').std().colname_更有效率。因此，如果聚合函数的结果只需要在一列（此处为_colname）上，则可以在应用聚合函数之前对其进行筛选。

In [207]: from decimal import Decimal

In [208]: df_dec = pd.DataFrame(
   .....:     {
   .....:         "id": [1, 2, 1, 2],
   .....:         "int_column": [1, 2, 3, 4],
   .....:         "dec_column": [
   .....:             Decimal("0.50"),
   .....:             Decimal("0.15"),
   .....:             Decimal("0.25"),
   .....:             Decimal("0.40"),
   .....:         ],
   .....:     }
   .....: )
   .....:

In [209]: df_dec.groupby(["id"])[["dec_column"]].sum()
Out[209]:
   dec_column
id
1        0.75
2        0.55

Handling of (un)observed Categorical values

在使用_Categorical_分组器（作为单个分组器或作为多个分组器的一部分）时，observed_关键字控制是否返回所有可能的分组器值的笛卡尔积（_observed=False）或仅返回那些观测分组器（observed=True）。

显示所有值：

In [210]: pd.Series([1, 1, 1]).groupby(
   .....:     pd.Categorical(["a", "a", "a"], categories=["a", "b"]), observed=False
   .....: ).count()
   .....:
Out[210]:
a    3
b    0
dtype: int64

仅显示观察到的值：

In [211]: pd.Series([1, 1, 1]).groupby(
   .....:     pd.Categorical(["a", "a", "a"], categories=["a", "b"]), observed=True
   .....: ).count()
   .....:
Out[211]:
a    3
dtype: int64

分组的返回dtype将始终包括所有已分组的类别。

In [212]: s = (
   .....:     pd.Series([1, 1, 1])
   .....:     .groupby(pd.Categorical(["a", "a", "a"], categories=["a", "b"]), observed=True)
   .....:     .count()
   .....: )
   .....:

In [213]: s.index.dtype
Out[213]: CategoricalDtype(categories=['a', 'b'], ordered=False, categories_dtype=object)

NA group handling

通过_NA_，我们指的是任何_NA_值，包括 NA、NaN、NaT_和_None。如果分组键中存在任何_NA_值，则默认情况下将排除这些值。换句话说，将删除任何“_NA_组”。你可以通过指定_dropna=False_来包含NA组。

In [214]: df = pd.DataFrame({"key": [1.0, 1.0, np.nan, 2.0, np.nan], "A": [1, 2, 3, 4, 5]})

In [215]: df
Out[215]:
   key  A
0  1.0  1
1  1.0  2
2  NaN  3
3  2.0  4
4  NaN  5

In [216]: df.groupby("key", dropna=True).sum()
Out[216]:
     A
key
1.0  3
2.0  4

In [217]: df.groupby("key", dropna=False).sum()
Out[217]:
     A
key
1.0  3
2.0  4
NaN  8

Grouping with ordered factors

可以将表示为pandas的_Categorical_类的实例的分类变量用作组键。如果是这样，则级别的顺序将保留。当_observed=False_和_sort=False_时，任何未观测的类别将按顺序位于结果的末尾。

In [218]: days = pd.Categorical(
   .....:     values=["Wed", "Mon", "Thu", "Mon", "Wed", "Sat"],
   .....:     categories=["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"],
   .....: )
   .....:

In [219]: data = pd.DataFrame(
   .....:    {
   .....:        "day": days,
   .....:        "workers": [3, 4, 1, 4, 2, 2],
   .....:    }
   .....: )
   .....:

In [220]: data
Out[220]:
   day  workers
0  Wed        3
1  Mon        4
2  Thu        1
3  Mon        4
4  Wed        2
5  Sat        2

In [221]: data.groupby("day", observed=False, sort=True).sum()
Out[221]:
     workers
day
Mon        8
Tue        0
Wed        5
Thu        1
Fri        0
Sat        2
Sun        0

In [222]: data.groupby("day", observed=False, sort=False).sum()
Out[222]:
     workers
day
Wed        5
Mon        8
Thu        1
Sat        2
Tue        0
Fri        0
Sun        0

Grouping with a grouper specification

你可以指定更多数据来正确分组。你可以使用 pd.Grouper 提供本地控制。

In [223]: import datetime

In [224]: df = pd.DataFrame(
   .....:     {
   .....:         "Branch": "A A A A A A A B".split(),
   .....:         "Buyer": "Carl Mark Carl Carl Joe Joe Joe Carl".split(),
   .....:         "Quantity": [1, 3, 5, 1, 8, 1, 9, 3],
   .....:         "Date": [
   .....:             datetime.datetime(2013, 1, 1, 13, 0),
   .....:             datetime.datetime(2013, 1, 1, 13, 5),
   .....:             datetime.datetime(2013, 10, 1, 20, 0),
   .....:             datetime.datetime(2013, 10, 2, 10, 0),
   .....:             datetime.datetime(2013, 10, 1, 20, 0),
   .....:             datetime.datetime(2013, 10, 2, 10, 0),
   .....:             datetime.datetime(2013, 12, 2, 12, 0),
   .....:             datetime.datetime(2013, 12, 2, 14, 0),
   .....:         ],
   .....:     }
   .....: )
   .....:

In [225]: df
Out[225]:
  Branch Buyer  Quantity                Date
0      A  Carl         1 2013-01-01 13:00:00
1      A  Mark         3 2013-01-01 13:05:00
2      A  Carl         5 2013-10-01 20:00:00
3      A  Carl         1 2013-10-02 10:00:00
4      A   Joe         8 2013-10-01 20:00:00
5      A   Joe         1 2013-10-02 10:00:00
6      A   Joe         9 2013-12-02 12:00:00
7      B  Carl         3 2013-12-02 14:00:00

按特定列使用所需频率进行分组。这就像重新采样。

In [226]: df.groupby([pd.Grouper(freq="1ME", key="Date"), "Buyer"])[["Quantity"]].sum()
Out[226]:
                  Quantity
Date       Buyer
2013-01-31 Carl          1
           Mark          3
2013-10-31 Carl          6
           Joe           9
2013-12-31 Carl          3
           Joe           9

当 freq 被指定时，pd.Grouper 返回的对象将 pandas.api.typing.TimeGrouper 的一个实例。当有列和同名索引时，你可以使用 key 按列进行分组和 level 按索引进行分组。

In [227]: df = df.set_index("Date")

In [228]: df["Date"] = df.index + pd.offsets.MonthEnd(2)

In [229]: df.groupby([pd.Grouper(freq="6ME", key="Date"), "Buyer"])[["Quantity"]].sum()
Out[229]:
                  Quantity
Date       Buyer
2013-02-28 Carl          1
           Mark          3
2014-02-28 Carl          9
           Joe          18

In [230]: df.groupby([pd.Grouper(freq="6ME", level="Date"), "Buyer"])[["Quantity"]].sum()
Out[230]:
                  Quantity
Date       Buyer
2013-01-31 Carl          1
           Mark          3
2014-01-31 Carl          9
           Joe          18

Taking the first rows of each group

就 DataFrame 或 Series 而言，你可以按组调用头部和尾部：

In [231]: df = pd.DataFrame([[1, 2], [1, 4], [5, 6]], columns=["A", "B"])

In [232]: df
Out[232]:
   A  B
0  1  2
1  1  4
2  5  6

In [233]: g = df.groupby("A")

In [234]: g.head(1)
Out[234]:
   A  B
0  1  2
2  5  6

In [235]: g.tail(1)
Out[235]:
   A  B
1  1  4
2  5  6

这显示每组的第一个或最后 n 行。

Taking the nth row of each group

要从每组中选择第 n 项，请使用 DataFrameGroupBy.nth() 或 SeriesGroupBy.nth()。提供的参数可以是任何整数、整数列表、切片或切片列表；有关示例，请参阅以下内容。当组中的第 n 个元素不存在时，不会引发错误；相反，不会返回相应的行。

通常，此操作充当一个筛选条件。在某些情况下，它还将返回每组一行，从而使其也成为一个简化操作。但是，由于通常一个组中可以返回零或多行，因此 pandas 在所有情况下都将其视为筛选条件。

In [236]: df = pd.DataFrame([[1, np.nan], [1, 4], [5, 6]], columns=["A", "B"])

In [237]: g = df.groupby("A")

In [238]: g.nth(0)
Out[238]:
   A    B
0  1  NaN
2  5  6.0

In [239]: g.nth(-1)
Out[239]:
   A    B
1  1  4.0
2  5  6.0

In [240]: g.nth(1)
Out[240]:
   A    B
1  1  4.0

如果组的第 n 个元素不存在，则结果中不会包含相应的行。特别是，如果指定的 n 大于任何组，则结果将是一个空 DataFrame。

In [241]: g.nth(5)
Out[241]:
Empty DataFrame
Columns: [A, B]
Index: []

如果你想选择第 n 个非空项，请使用 dropna kwarg。对于一个 DataFrame，这应是 'any' 或 'all'，就像你传递给 dropna 的一样：

# nth(0) is the same as g.first()
In [242]: g.nth(0, dropna="any")
Out[242]:
   A    B
1  1  4.0
2  5  6.0

In [243]: g.first()
Out[243]:
     B
A
1  4.0
5  6.0

# nth(-1) is the same as g.last()
In [244]: g.nth(-1, dropna="any")
Out[244]:
   A    B
1  1  4.0
2  5  6.0

In [245]: g.last()
Out[245]:
     B
A
1  4.0
5  6.0

In [246]: g.B.nth(0, dropna="all")
Out[246]:
1    4.0
2    6.0
Name: B, dtype: float64

你还可以通过指定多个第 n 个值（作为整数列表）来从每组中选择多行。

In [247]: business_dates = pd.date_range(start="4/1/2014", end="6/30/2014", freq="B")

In [248]: df = pd.DataFrame(1, index=business_dates, columns=["a", "b"])

# get the first, 4th, and last date index for each month
In [249]: df.groupby([df.index.year, df.index.month]).nth([0, 3, -1])
Out[249]:
            a  b
2014-04-01  1  1
2014-04-04  1  1
2014-04-30  1  1
2014-05-01  1  1
2014-05-06  1  1
2014-05-30  1  1
2014-06-02  1  1
2014-06-05  1  1
2014-06-30  1  1

你还可以使用切片或切片列表。

In [250]: df.groupby([df.index.year, df.index.month]).nth[1:]
Out[250]:
            a  b
2014-04-02  1  1
2014-04-03  1  1
2014-04-04  1  1
2014-04-07  1  1
2014-04-08  1  1
...        .. ..
2014-06-24  1  1
2014-06-25  1  1
2014-06-26  1  1
2014-06-27  1  1
2014-06-30  1  1

[62 rows x 2 columns]

In [251]: df.groupby([df.index.year, df.index.month]).nth[1:, :-1]
Out[251]:
            a  b
2014-04-01  1  1
2014-04-02  1  1
2014-04-03  1  1
2014-04-04  1  1
2014-04-07  1  1
...        .. ..
2014-06-24  1  1
2014-06-25  1  1
2014-06-26  1  1
2014-06-27  1  1
2014-06-30  1  1

[65 rows x 2 columns]

Enumerate group items

要查看每行在组中出现的顺序，请使用 cumcount 方法：

In [252]: dfg = pd.DataFrame(list("aaabba"), columns=["A"])

In [253]: dfg
Out[253]:
   A
0  a
1  a
2  a
3  b
4  b
5  a

In [254]: dfg.groupby("A").cumcount()
Out[254]:
0    0
1    1
2    2
3    0
4    1
5    3
dtype: int64

In [255]: dfg.groupby("A").cumcount(ascending=False)
Out[255]:
0    3
1    2
2    1
3    1
4    0
5    0
dtype: int64

Enumerate groups

要查看组的顺序（与由 cumcount 指定的组内行顺序相反），你可以使用 DataFrameGroupBy.ngroup()。

注意，给组的号码与遍历 groupby 对象时看到组的顺序相符，而不是第一次观察到的顺序。

In [256]: dfg = pd.DataFrame(list("aaabba"), columns=["A"])

In [257]: dfg
Out[257]:
   A
0  a
1  a
2  a
3  b
4  b
5  a

In [258]: dfg.groupby("A").ngroup()
Out[258]:
0    0
1    0
2    0
3    1
4    1
5    0
dtype: int64

In [259]: dfg.groupby("A").ngroup(ascending=False)
Out[259]:
0    1
1    1
2    1
3    0
4    0
5    1
dtype: int64

Plotting

Groupby 还可以配合一些绘图方法使用。在这种情况下，假设我们怀疑第 1 列中的值在组“B”中平均高出 3 倍。

In [260]: np.random.seed(1234)

In [261]: df = pd.DataFrame(np.random.randn(50, 2))

In [262]: df["g"] = np.random.choice(["A", "B"], size=50)

In [263]: df.loc[df["g"] == "B", 1] += 3

我们可以使用箱线图轻松视化此内容：

In [264]: df.groupby("g").boxplot()
Out[264]:
A         Axes(0.1,0.15;0.363636x0.75)
B    Axes(0.536364,0.15;0.363636x0.75)
dtype: object

调用 boxplot 的结果是一个字典，其键是我们的分组列 g 的值（“A”和“B”）。可通过 boxplot 的 return_type 关键字控制结果字典的值。请参阅 visualization documentation 了解更多信息。

警告

出于历史原因，df.groupby("g").boxplot() 不等于 df.boxplot(by="g")。有关解释，请参阅 here。

Piping function calls

与由 DataFrame 和 Series 提供的功能类似，可以将获取 GroupBy 对象的函数使用 pipe 方法链接在一起，以允许更简洁更可读的语法。要了解一般意义上的 .pipe，请参阅 here。

将 .groupby 和 .pipe 相结合通常在你需要重复使用 GroupBy 对象时很有用。

作为一个例子，想象一下有一个 DataFrame，其中的列用于存储、产品、收入和所售数量。我们希望执行一个按每一商店和每一产品分组的计算，计算每单位价格（即收入/数量）。我们可以在一个多步骤操作中完成它，但是通过管道来表达它可以使代码更易于阅读。首先，我们设置数据：

In [265]: n = 1000

In [266]: df = pd.DataFrame(
   .....:     {
   .....:         "Store": np.random.choice(["Store_1", "Store_2"], n),
   .....:         "Product": np.random.choice(["Product_1", "Product_2"], n),
   .....:         "Revenue": (np.random.random(n) * 50 + 10).round(2),
   .....:         "Quantity": np.random.randint(1, 10, size=n),
   .....:     }
   .....: )
   .....:

In [267]: df.head(2)
Out[267]:
     Store    Product  Revenue  Quantity
0  Store_2  Product_1    26.12         1
1  Store_2  Product_1    28.86         1

现在，我们找到每商店/产品的价格。

In [268]: (
   .....:     df.groupby(["Store", "Product"])
   .....:     .pipe(lambda grp: grp.Revenue.sum() / grp.Quantity.sum())
   .....:     .unstack()
   .....:     .round(2)
   .....: )
   .....:
Out[268]:
Product  Product_1  Product_2
Store
Store_1       6.82       7.05
Store_2       6.30       6.64

当你希望传递一个分组对象给一些任意函数时，管道也可以表达出来，例如：

In [269]: def mean(groupby):
   .....:     return groupby.mean()
   .....:

In [270]: df.groupby(["Store", "Product"]).pipe(mean)
Out[270]:
                     Revenue  Quantity
Store   Product
Store_1 Product_1  34.622727  5.075758
        Product_2  35.482815  5.029630
Store_2 Product_1  32.972837  5.237589
        Product_2  34.684360  5.224000

这里，mean 取一个 GroupBy 对象，分别找到每个商店-产品组合的收入和数量列的平均值。mean 函数可以是任何接收 GroupBy 对象的函数；.pipe 将把 GroupBy 对象作为一个参数传递到你指定的函数中。

Examples

Multi-column factorization

通过使用 DataFrameGroupBy.ngroup()，我们可以提取有关组的信息，类似于 factorize()（如 reshaping API 中进一步描述），但是它自然适用于混合类型和不同来源的多个列。它可以在处理中用作一个类似于分类的中间步骤，此时，组行之间的关系比其内容更重要，或者作为仅接受整数编码的算法的输入。（有关对 pandas 内完整分类数据的支持的更多信息，请参阅 Categorical introduction 和 API documentation。）

In [271]: dfg = pd.DataFrame({"A": [1, 1, 2, 3, 2], "B": list("aaaba")})

In [272]: dfg
Out[272]:
   A  B
0  1  a
1  1  a
2  2  a
3  3  b
4  2  a

In [273]: dfg.groupby(["A", "B"]).ngroup()
Out[273]:
0    0
1    0
2    1
3    2
4    1
dtype: int64

In [274]: dfg.groupby(["A", [0, 0, 0, 1, 1]]).ngroup()
Out[274]:
0    0
1    0
2    1
3    3
4    2
dtype: int64

Groupby by indexer to ‘resample’ data

重新采样从已经存在的观察数据或生成数据的模型中产生新的假设样本（重新采样）。这些新样本类似于先前存在的样本。

为了使重新采样能够对非时间片段的索引工作，可以使用以下步骤。

在以下示例中，df.index // 5 返回一个整数数组，用于确定在 groupby 操作中选择什么。

下面的示例显示了我们如何通过将样本合并为较少的样本来进行降采样。这里通过使用 df.index // 5，我们正在将样本聚合到垃圾箱中。通过应用 std() 函数，我们将包含在许多样本中的信息聚合到一小部分的值中，这些值是其标准偏差，从而减少了样本的数量。

In [275]: df = pd.DataFrame(np.random.randn(10, 2))

In [276]: df
Out[276]:
          0         1
0 -0.793893  0.321153
1  0.342250  1.618906
2 -0.975807  1.918201
3 -0.810847 -1.405919
4 -1.977759  0.461659
5  0.730057 -1.316938
6 -0.751328  0.528290
7 -0.257759 -1.081009
8  0.505895 -1.701948
9 -1.006349  0.020208

In [277]: df.index // 5
Out[277]: Index([0, 0, 0, 0, 0, 1, 1, 1, 1, 1], dtype='int64')

In [278]: df.groupby(df.index // 5).std()
Out[278]:
          0         1
0  0.823647  1.312912
1  0.760109  0.942941

Returning a Series to propagate names

对 DataFrame 列进行分组，计算一组度量并返回一个命名的 Series。该 Series 名称用作列索引名称。这在与堆叠等重塑操作结合使用时特别有用，其中列索引名称将用作插入列的名称：

In [279]: df = pd.DataFrame(
   .....:     {
   .....:         "a": [0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2],
   .....:         "b": [0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1],
   .....:         "c": [1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0],
   .....:         "d": [0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1],
   .....:     }
   .....: )
   .....:

In [280]: def compute_metrics(x):
   .....:     result = {"b_sum": x["b"].sum(), "c_mean": x["c"].mean()}
   .....:     return pd.Series(result, name="metrics")
   .....:

In [281]: result = df.groupby("a").apply(compute_metrics, include_groups=False)

In [282]: result
Out[282]:
metrics  b_sum  c_mean
a
0          2.0     0.5
1          2.0     0.5
2          2.0     0.5

In [283]: result.stack(future_stack=True)
Out[283]:
a  metrics
0  b_sum      2.0
   c_mean     0.5
1  b_sum      2.0
   c_mean     0.5
2  b_sum      2.0
   c_mean     0.5
dtype: float64