Pandas教程 | 超好用的Groupby用法详解

总结：

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，组内求完均值后会按照原索引的顺序返回结果;

import pandas as pd
import numpy as np

'''np.random.randint(x,y,z):
        返回从低（含）到高（不含）的随机整数'''

company=["A","B","C"]

data=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)
})

data

#### groupby的基本原理

'''DataFrameGroupBy对象'''
group = data.groupby("company")
group

list(group)

for x,y in group:
    print(y)

# 总结来说:
# groupby的过程就是将原有的DataFrame按照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），均是基于子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;

#### agg 聚合操作
- pandas_round函数参考：https://www.pythonf.cn/read/126948

'''Case1：针对样例数据集，求不同公司员工的平均年龄和平均薪水，可以按照下方的代码进行：
    
    data.groupby("company").agg('max').apply(lambda x: round(x))
    感觉python中的函数，并非是四舍五入；
'''

data.groupby("company").agg('mean').round({'age': 1,'salary':2})

'''针对不同的列求不同的值：计算不同公司员工的平均年龄以及薪水的中位数'''
data.groupby('company').agg({'salary':'median','age':'mean'}).round(1)

#### transform
#在上面的agg中，我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？

avg_salary_dict = data.groupby('company')['salary'].mean().to_dict()
avg_salary_dict

'''map(avg_salary_dict) ——> 实现映射'''
data['avg_salary'] = data['company'].map(avg_salary_dict)

# 方法1：
data['avg_salary'] = data['company'].map(avg_salary_dict)
data.round(2)

# 方法2：
data['avg_salary_transform'] = data.groupby('company')['salary'].transform('mean')
data

data.groupby('company')['salary'].transform('mean')

#总结：
#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，组内求完均值后会按照原索引的顺序返回结果;

#### apply
# groupby后的apply，以分组后的子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；

'''假设我现在需要获取各个公司年龄最大的员工的数据:'''

def get_oldest_staff(x):
    df = x.sort_values(by = 'age',ascending = True)
    return df.iloc[-1,:]

'''as_index的作用是控制聚合输出是否以组标签为索引值'''
oldest_staff = data.groupby('company',as_index = False).apply(get_oldest_staff)
oldest_staff

data.groupby('company',as_index = False).max()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81