数据分析—利用pandas进行数据分组

目标：

• 学会利⽤pandas对数据进⾏分组
• 知道如何提取分组后的数据
• 可以按多列进⾏分组
• 能够对分组后数据进⾏统计计算

测试数据集：
链接：https://pan.baidu.com/s/1QvY-Qvtl_8QtsMi8sxUD-w
提取码：di2z

一、数据的分组

在pandas当中我们可以利⽤groupby()方法对数据进行分组，返回的是一个分组后的对象， groupby()里面的参数是指定分组的列，分组也分为两种方式 ：

①对所有数据进⾏分组
② 对指定列进⾏分组（只要指定列的数据）
下⾯我们来看⼀下这两种⽤法

1、对所有数据进⾏分组

import pandas as pd
df = pd.read_excel('C:/Users/cherich/Desktop/forbes_2018.xlsx')
groups = df.groupby('gender')
print(groups)

2、对指定列进⾏分组（只要指定列的数据）

# 根据gender列只对age列进行分组
group = df['age'].groupby(df['gender']) 
# 查看分组
print(group.groups)
# 根据分组后的名字选择分组
print(group.get_group('F'))

image.png

3、对多列进⾏分组

group=df.groupby(['country','gender']) 
print(group)

二、提取分组后的数据

1、由于分组后的数据返回的是⼀个对象，我们⽤遍历的⽅式才能提取出数据(为了大家看的清楚，截取了几行数据，演示效果)

groups = df.groupby('gender')
for group_name, group_df in groups:
    print(group_name, '+', group_df)

group_name是分组的名称 ，group_df对应的每组的数据

image.png

2、使⽤get_group()⽅法获取某⼀组的数据

res = groups.get_group('F')
print(res)

image.png

其中括号中的参数 F为分组名称

3、我们还可以使⽤另⼀种遍历的⽅式来获取分组后数据的数量

group = df.groupby('gender')
for gender,value in group.size().items():
    print(gender,value)

• group.size()会返回分组后数据对应的数量

• group.size().items()则是打包成zip对象，包括分组名称以及数量
  各个变量的含义：
  gender 遍历出来的分组名称
  value 每组对应数据的数量

  
  image.png

三、对分组后的数据进⾏统计

pandas给我们提供了很多的统计函数，我们可以直接拿来使⽤

count() 统计列表中⾮空数据的个数 
nunique() 统计⾮重复的数据的个数 
unique() 打印出⾮重复的数据本身
sum() 统计列表中的所有数值的和 
mean() 统计列表中的数据的平均值 
median() 计算列表中数据的中位数 
max() 计算列表中数据的最⼤值 
min() 计算列表中数据的最⼩值

# 获取F组的数据
f_group = groups.get_group('F')
# 获取平均值
f_mean = f_group['age'].mean()
# 获取最大值
f_max = f_group['age'].max()
# 获取最小值
f_min = f_group['age'].min()
print(f_mean,f_max,f_min)

结果：60.470588235294116 94 21

上⾯的⽅式我们⼀次只能计算⼀个数据，那么pandas还给我们提供了⼀个⽅法，可以同时进 ⾏多个运算

• agg() 我们只需将函数的名字以字符串的形势存储到列表中作为agg的参数即可

for group_name,group_df in groups: 
    f_se = group_df['age'].agg(['max','min','mean'])
    print('{}组的最大年龄是{}，最小年龄是{}，平均年龄是{}'.format(group_name,f_se[0],f_se[1],f_se[2]))

image.png

各个变量的含义

• f_se------------------统计结果
• group_name------分组名称
• f_se[0]--------------最⼤值
• f_se[1]--------------最⼩值
• f_se[2]--------------平均值