Groupby groupby函数是用来干嘛的

在日常的数据分析中。经常需要将数据根据某个（多个）字段划分为不同的群体（group）进行分析。如电商领域将全国的总销售额根据省份进行划分。分析各省销售额的变化情况。社会交友领域将客户根据画像（性别、年龄）进行细分。研究客户的使用情况和偏好等。在Pandas中。上述的数据处理操作主要使用groupby完成。这样一篇教学文章就介绍一下groupby的基本原理及对应的agg、transform和apply操作。
为了后续图解的方便。选用模拟生成的10个样本数据。代码和数据如下：company=["A","B","C"]data=http://www.shenzhoubaby.com/pd.DataFrame({"company":[company[x] for x in np.random.randint(0,len(company),10)],"salary":np.random.randint(5,50,10),"age":np.random.randint(15,50,10)})

文章插图
groupby的基本原理在Pandas中。实现分组操作的代码很简单。仅需一行代码。在这里。将上面的数据集遵从company字段进行划分：
In [5]: group = data.groupby("company")将上述代码输入ipython后。会得到一个DataFrameGroupBy对象
In [6]: groupOut[6]: <pandas.core.groupby.generic.DataFrameGroupBy object at 0x000002B7E2650240>那这个生成的DataFrameGroupBy是啥呢？对data进行了groupby后发生了什么？ipython所返回的结果是其内存地址。并不利于直观地理解。为了看看group内部到底是什么。这里把group转换成list的形式来看一看：
In [8]: list(group)Out[8]:[('A',company salary age 3A2022 6A2333), ('B',company salary age 4B1017 5B2140 8B830), ('C',company salary age 0C4335 1C1725 2C830 7C4919)]转换成列表的形式后。可以看到。列表由三个元组组成。每个元组中。第一个元素是组别（这里是遵从company进行分组。所以最后分为了A,B,C）。第二个元素的是对应组别下的DataFrame 。整个过程可以图解如下：

文章插图
总结来探讨。groupby的过程就是将原有的DataFrame遵从groupby的字段（这里是company）。划分为若干个分组DataFrame 。被分为多少个组就有多少个分组DataFrame 。所以说。在groupby之后的一系列操作（如agg、apply等）。均是基于分组DataFrame的操作。理解了这点。也就基本摸清了Pandas中groupby操作的主要原理。下面来讲讲groupby之后的经常可以看见操作。
agg分组聚合聚合操作是groupby后经常可以看见的操作。会写SQL的朋友对此应该是非常熟悉了。聚合操作可以用来求和、均值、最大值、最小值等。下面的表格列出了Pandas中经常可以看见的聚合操作。

文章插图
针对样例数据集。如果我想计算不同公司员工的平均年龄和平均薪水。可以遵从下方的代码进行：In [12]: data.groupby("company").agg('mean')Out[12]:salaryagecompanyA21.50 27.50B13.00 29.00C29.25 27.25如果想对针对不同的列求不同的值。比如要计算不同公司员工的平均年龄以及薪水的中位数。可以利用字典指定进行聚合操作：
In [17]: data.groupby('company').agg({'salary':'median','age':'mean'})Out[17]:salaryagecompanyA21.5 27.50B10.0 29.00C30.0 27.25agg聚合过程可以图解如下（第二个例子为例）：

文章插图
transform
transform是一种什么数据操作？和agg有什么区别呢？为了更好地理解transform和agg的不同。下面从实际的应用场景出发进行对比。
在上面的agg中。咱们学会了如何求不同公司员工的平均薪水。如果现在需要在原数据集中新增一列avg_salary 。代表员工所在的公司的平均薪水（相同公司的员工具有一样的平均薪水）。该怎么实现呢？如果遵从正常的步骤来计算。需要先求得不同公司的平均薪水。然后遵从员工和公司的对应关系填充到对应的位置。不用transform的话。实现代码如下：
In [21]: avg_salary_dict = data.groupby('company')['salary'].mean().to_dict()In [22]: data['avg_salary'] = data['company'].map(avg_salary_dict)In [23]: dataOut[23]: company salary age avg_salary0C433529.251C172529.252C83029.253A202221.504B101713.005B214013.006A233321.507C491929.258B83013.00如果使用transform的话。仅需要一行代码：In [24]: data['avg_salary'] = data.groupby('company')['salary'].transform('mean')In [25]: dataOut[25]: company salary age avg_salary0C433529.251C172529.252C83029.253A202221.504B101713.005B214013.006A233321.507C491929.258B83013.00还是以图解的方式来看看进行groupby后transform的实现过程（为了更直观展示。图中加入了company列。实际遵从上面的代码只有salary列）：

文章插图
图中的大方框是transform和agg所不一样的地方。对agg而言。会计算得到A 。B 。C公司对应的均值并直接返回。但对transform而言。则会对每一条数据求得相应的结果。同一组内的样本会有相同的值。组内求完均值后会遵从原索引的顺序返回结果。如果有不怎么理解的可以拿这张图和agg那张对比一下。
apply
apply应该是各位的老朋友了。它相比agg和transform而言更加灵活。能够传入任意自定义的函数。实现复杂的数据操作。在Pandas数据处理三板斧。你会几板？中。介绍了apply的使用。那在groupby后使用apply和之前所介绍的有什么区别呢？
区别是有的。但是整个实现原理是基本一致的。两者的区别在于。对于groupby后的apply 。以分组后的分组DataFrame作为参数传入指定函数的。基本操作单位是DataFrame 。而之前介绍的apply的基本操作单位是Series 。还是以一个案例来介绍groupby后的apply用法。
假设我现在需要获取各个公司年龄最大的员工的数据。该怎么实现呢？可以用以下代码实现：In [38]: def get_oldest_staff(x):…:df = x.sort_values(by = 'age',ascending=True)…:return df.iloc[-1,:]…:In [39]: oldest_staff = data.groupby('company',as_index=False).apply(get_oldest_staff)In [40]: oldest_staffOut[40]: company salary age 0A23331B21402C4335这样便得到了每个公司年龄最大的员工的数据。整个流程图解如下：

文章插图
可以看到。此处的apply和上篇文章中所介绍的作用原理基本一致。只是传入函数的参数由Series变为了此处的分组DataFrame 。
【Groupby groupby函数是用来干嘛的】最后。关于apply的使用。这里有个小建议。虽然说apply拥有更大的灵活性。但apply的运行效率会比agg和transform更慢。所以。groupby之后能用agg和transform解决的问题还是优先使用这两个方法。实在解决不了了才考虑使用apply进行操作。