这篇⽂章主要介绍了upby()所见的各种⽤法详解，⽂中通过⽰例代码介绍的⾮常详细，对⼤家的学习或者⼯作具有⼀定的参考学习价值，需要的朋友们下⾯随着⼩编来⼀起学习学习吧
groupby的函数定义：
axis : 接收 0/1；⽤于表⽰沿⾏(0)或列(1)分割。
level : 接收int、级别名称或序列，默认为None；如果轴是⼀个多索引(层次化)，则按⼀个或多个特定级别分组。
as_index：接收布尔值，默认Ture；Ture则返回以组标签为索引的对象，False则不以组标签为索引。
其他的参数解释就看⽂档吧：
pandas.set_option('display.float_format', lambda x: '%.2f' % x) # 禁⽤科学计数法
所见 1 ：⽇常⽤法
import pandas as pd
df = pd.DataFrame({'Gender' : ['男', '⼥', '男', '男', '男', '男', '⼥', '⼥', '⼥'],
'name' : ['周杰伦', '蔡依林', '林俊杰', '周杰伦', '林俊杰', '周杰伦', '⽥馥甄', '蔡依林', '⽥馥甄'],
'income' : [4.5, 2.9, 3.8, 3.7, 4.0, 4.1, 1.9, 4.1, 3.2],
'expenditure' : [1.5, 1.9, 2.8, 1.7, 4.1, 2.5, 1.1, 3.4, 1.2]
})
groupby是什么函数#根据其中⼀列分组
df_expenditure_mean = df.groupby(['Gender']).mean()
#根据其中两列分组
df_expenditure_mean = df.groupby(['Gender', 'name']).mean()
#只对其中⼀列求均值
df_expenditure_mean = df.groupby(['Gender', 'name'])['income'].mean()
View Code
输出⽰例：
所见 2 ：解决groupby.sum() 后层级索引levels上移的问题
上图中的输出⼆，虽然是 DataFrame 的格式，但是若需要与其他表匹配的时候，这个格式就有些⿇烦了。匹配数据时，我们需要的数据格式是：列名都在第⼀⾏，数据⾏中也不能有 Gender 列这样的合并单元格。因此，我们需要做⼀些调整，将 as_index 改为 False ，默认
是 Ture 。
#不以组标签为索引，通过 as_index 来实现
df_expenditure_mean = df.groupby(['Gender', 'name'], as_index=False).mean()
输出：
所见 3 ：解决groupby.apply() 后层级索引levels上移的问题
在所见 2 中我们知道，使⽤参数 as_index 就可使 groupby 的结果不以组标签为索引，但是后来在使⽤ groupby.apply() 时发现，as_index 参数失去了效果。如下例所⽰：
# 使⽤了 as_index=False，但是从输出结果中可见没起到作⽤
df_apply = df.groupby(['Gender', 'name'], as_index=False).apply(lambda x: sum(x['income']-x['expenditure'])/sum(x['income']))
df_apply = pd.DataFrame(df_apply,columns=['存钱占⽐'])#转化成dataframe格式
输出：
解决办法：加⼀句df_apply_index = set_index()
# 加⼀句df_apply_index = set_index()
df_apply = df.groupby(['Gender', 'name'], as_index=False).apply(lambda x: sum(x['income']-x['expenditure'])/sum(x['income']))
df_apply = pd.DataFrame(df_apply,columns=['存钱占⽐'])#转化成dataframe格式
df_apply_index = set_index()
输出：
所见 4 ：groupby函数的分组结果保存成DataFrame
所见 1 中的输出三，明显是  Series ，我们需要将其转化为 DataFrame 格式的数据。#只对其中⼀列求均值，并转化为 DataFrame
df_expenditure_mean = df.groupby(['Gender', 'name'], as_index=False)['income'].mean()
df_expenditure_mean = pd.DataFrame(df_expenditure_mean)#转化成dataframe格式
df_ame(columns={'income':'收⼊均值'}, inplace = True)
输出：
到此这篇关于 upby() 所见的各种⽤法详解的⽂章就介绍到这了!

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。