Groupby创建方法详解

引言

Groupby是Pandas中用于数据分组和聚合的核心功能。它允许您根据特定条件将数据分成多个组，然后对每个组执行操作（如求和、平均值等）。在本章中，我们将介绍Groupby的四种常见创建方法，让您轻松上手。

1. 按单列分组（指定单个列名，最常用）

按单列分组是最基础的分组方式。您只需指定一个列名，Pandas会根据该列的相同值将数据分组。

示例

假设我们有一个销售数据DataFrame：

import pandas as pd

# 创建示例数据
data = {
    '产品': ['A', 'B', 'A', 'B', 'A'],
    '销售额': [100, 150, 200, 120, 180],
    '地区': ['北京', '上海', '北京', '上海', '北京']
}
df = pd.DataFrame(data)
print(df)

输出：

  产品  销售额  地区
0  A   100  北京
1  B   150  上海
2  A   200  北京
3  B   120  上海
4  A   180  北京

按“产品”列分组：

# 按“产品”列分组
grouped = df.groupby('产品')

# 查看分组后的组数
print(grouped.groups)  # 输出分组字典

# 对每组执行聚合操作，如计算销售额总和
total_sales = grouped['销售额'].sum()
print(total_sales)

输出：

{'A': [0, 2, 4], 'B': [1, 3]}
产品
A    480
B    270
Name: 销售额, dtype: int64

解释：groupby('产品') 根据“产品”列的不同值（A和B）将数据分组。使用 sum() 计算每组的销售额总和。

2. 按多列分组（指定多个列名，分层分组）

按多列分组允许您根据多个列进行分层分组，这在处理复杂数据时很有用。

示例

使用相同数据，按“产品”和“地区”两列分组：

# 按多列分组
grouped_multi = df.groupby(['产品', '地区'])

# 查看分组
print(grouped_multi.groups)

# 计算每组的销售额总和
total_multi = grouped_multi['销售额'].sum()
print(total_multi)

输出：

{('A', '北京'): [0, 2, 4], ('B', '上海'): [1, 3]}
产品  地区
A    北京    480
B    上海    270
dtype: int64

解释：groupby(['产品', '地区']) 根据两列的复合键分组，结果是分层索引。这有助于更细致的分析。

3. 按索引分组（按行索引/列索引分组，level参数）

Groupby也可以按DataFrame的行索引或列索引分组，特别是当索引是MultiIndex（多层索引）时，可以使用 level 参数指定层级。

示例

设置多层索引后分组：

# 设置多层索引
df_indexed = df.set_index(['产品', '地区'])
print(df_indexed)

输出：

          销售额
产品 地区      
A   北京   100
B   上海   150
A   北京   200
B   上海   120
A   北京   180

按索引的“产品”层级分组：

# 按索引的“产品”层级分组
grouped_index = df_indexed.groupby(level='产品')

# 计算总和
sum_index = grouped_index['销售额'].sum()
print(sum_index)

输出：

产品
A    480
B    270
Name: 销售额, dtype: int64

解释：groupby(level='产品') 指定按索引的第一层级（产品）分组。也可以按列索引分组，但较少见，例如 df.groupby(axis=1) 用于按列分组。

4. 按自定义条件分组（apply方法配合lambda表达式）

如果您需要更灵活的分组逻辑，可以使用自定义条件，结合 apply 方法和lambda表达式实现。

示例

假设我们想根据销售额是否大于150来分组：

# 定义自定义分组条件
def custom_group(row):
    if row['销售额'] > 150:
        return '高销售额'
    else:
        return '低销售额'

# 使用apply方法创建新列用于分组
df['销售额类别'] = df.apply(custom_group, axis=1)
print(df)

# 按新列分组
grouped_custom = df.groupby('销售额类别')

# 计算每组的平均销售额
avg_custom = grouped_custom['销售额'].mean()
print(avg_custom)

输出：

  产品  销售额  地区 销售额类别
0  A   100  北京     低销售额
1  B   150  上海     低销售额
2  A   200  北京     高销售额
3  B   120  上海     低销售额
4  A   180  北京     高销售额

销售额类别
低销售额    123.333333
高销售额    190.000000
Name: 销售额, dtype: float64

解释：通过 apply 方法添加一个新列“销售额类别”，然后按该列分组。lambda表达式也可以简化：df.apply(lambda row: '高' if row['销售额'] > 150 else '低', axis=1)。

总结

在本章中，我们学习了Pandas Groupby的四种创建方法：

• 按单列分组：最常用，适合简单场景。
• 按多列分组：实现分层分组，用于复杂数据分析。
• 按索引分组：适用于索引化的数据，便于层级操作。
• 按自定义条件分组：提供灵活性，支持任意分组逻辑。

掌握这些方法，您将能高效处理各种数据分组任务。在实践中多尝试，结合聚合函数如 sum()、mean() 等，发挥Groupby的强大功能。