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，社交领域将用户根据画像（性别、年龄）进行细分，研究用户的使用情况和偏好等。在 Pandas 中，上述的数据处理操作主要运用 groupby 完成，这篇文章就介绍一下 groupby 的基本原理及对应的 agg、transform 和 apply 操作。
PS:很多人在学习Python的过程中，往往因为遇问题解决不了或者没好的教程从而导致自己放弃，为此我整理啦从基础的python脚本到web开发、爬虫、django、数据挖掘等【PDF等】需要的可以进Python全栈开发交流.裙 ：一久武其而而流一思（数字的谐音）转换下可以找到了，里面有最新Python教程项目可拿,不懂的问题有老司机解决哦，一起相互监督共同进步!
为了后续图解的方便，采用模拟生成的 10 个样本数据，代码和数据如下：
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)
}
)| company | salary | age | |
|---|---|---|---|
| 0 | C | 43 | 35 |
| 1 | C | 17 | 25 |
| 2 | C | 8 | 30 |
| 3 | A | 20 | 22 |
| 4 | B | 10 | 17 |
| 5 | B | 21 | 40 |
| 6 | A | 23 | 33 |
| 7 | C | 49 | 19 |
| 8 | B | 8 | 30 |
一、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，将上面的数据集按照 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]: group
Out[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 内部究竟是什么，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
3 A 20 22
6 A 23 33),
(‘B‘, company salary age
4 B 10 17
5 B 21 40
8 B 8 30),
(‘C‘, company salary age
0 C 43 35
1 C 17 25
2 C 8 30
7 C 49 19)]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（这里是按照 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：
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。下面来讲讲 groupby 之后的常见操作。
二、agg 聚合操作
聚合操作是 groupby 后非常常见的操作，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 中常见的聚合操作。
| 函数 | 用途 |
|---|---|
| min | 最小值 |
| max | 最大值 |
| sum | 求和 |
| mean | 均值 |
| median | 中位数 |
| std | 标准差 |
| var | 方差 |
| count | 计数 |
针对样例数据集，如果我想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：
In [12]: data.groupby("company").agg(‘mean‘)
Out[12]:
salary age
company
A 21.50 27.50
B 13.00 29.00
C 29.25 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，可以利用字典进行聚合操作的指定：
In [17]: data.groupby(‘company‘).agg({‘salary‘:‘median‘,‘age‘:‘mean‘})
Out[17]:
salary age
company
A 21.5 27.50
B 10.0 29.00
C 30.0 27.25agg 聚合过程可以图解如下（第二个例子为例）：
三、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，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？如果按照正常的步骤来计算，需要先求得不同公司的平均薪水，然后按照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]: data
Out[23]:
company salary age avg_salary
0 C 43 35 29.25
1 C 17 25 29.25
2 C 8 30 29.25
3 A 20 22 21.50
4 B 10 17 13.00
5 B 21 40 13.00
6 A 23 33 21.50
7 C 49 19 29.25
8 B 8 30 13.00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]: data
Out[25]:
company salary age avg_salary
0 C 43 35 29.25
1 C 17 25 29.25
2 C 8 30 29.25
3 A 20 22 21.50
4 B 10 17 13.00
5 B 21 40 13.00
6 A 23 33 21.50
7 C 49 19 29.25
8 B 8 30 13.00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，实际按照上面的代码只有 salary 列）：
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，组内求完均值后会按照原索引的顺序返回结果，如果有不理解的可以拿这张图和 agg 那张对比一下。
四、apply
apply 应该是大家的老朋友了，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 ——map、apply、applymap 详解
) 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。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_staff
Out[40]:
company salary age
0 A 23 33
1 B 21 40
2 C 43 35 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：
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。
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。
总结：很多人在学习Python的过程中，往往因为遇问题解决不了或者没好的教程从而导致自己放弃，为此我整理啦从基础的python脚本到web开发、爬虫、django、数据挖掘等【PDF等】需要的可以进Python全栈开发交流.裙 ：一久武其而而流一思（数字的谐音）转换下可以找到了，里面有最新Python教程项目可拿,不懂的问题有老司机解决哦，一起相互监督共同进步
本文的文字及图片来源于网络加上自己的想法,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。