分组：拆分-应用-合并#

“分组”指的是一个包含以下一个或多个步骤的过程

拆分数据，根据某些条件将其分成多个组。
应用一个函数到每个组，独立地进行操作。
合并结果到一个数据结构中。

在这其中，拆分步骤是最简单的。在应用步骤中，我们可能希望执行以下操作之一

聚合：为每个组计算一个（或多个）汇总统计量。一些例子
- 计算组的总和或平均值。
- 计算组的大小/计数。
转换：执行一些特定于组的计算并返回一个具有相同索引的对象。一些例子
- 在组内标准化数据（z分数）。
- 用从每个组派生的值填充组内的 NAs。
过滤：根据评估为 True 或 False 的组级计算，丢弃一些组。一些例子
- 丢弃属于成员数量很少的组的数据。
- 根据组总和或平均值过滤数据。

许多这些操作是在 GroupBy 对象上定义的。这些操作类似于聚合 API、窗口 API 和重采样 API 的操作。

可能某个给定的操作不属于这些类别之一，或者是一些类别的组合。在这种情况下，可以使用 GroupBy 的 apply 方法来计算操作。此方法将检查应用步骤的结果，如果结果不属于上述三个类别中的任何一个，则尝试将它们合理地组合成一个结果。

注意

使用内置 GroupBy 操作将操作拆分为多个步骤将比使用带有用户定义的 Python 函数的 apply 方法更高效。

对于那些使用过基于 SQL 的工具（或 itertools）的人来说，GroupBy 这个名称应该很熟悉，在这些工具中，你可以编写类似以下的代码

SELECT Column1, Column2, mean(Column3), sum(Column4)
FROM SomeTable
GROUP BY Column1, Column2

我们的目标是使这类操作在使用 pandas 时自然且易于表达。我们将介绍 GroupBy 功能的每个方面，然后提供一些非平凡的示例/用例。

有关一些高级策略，请参见食谱。

将对象拆分为组#

分组的抽象定义是提供标签到组名的映射。要创建 GroupBy 对象（稍后将详细介绍 GroupBy 对象是什么），您可以执行以下操作

In [1]: speeds = pd.DataFrame(
   ...:     [
   ...:         ("bird", "Falconiformes", 389.0),
   ...:         ("bird", "Psittaciformes", 24.0),
   ...:         ("mammal", "Carnivora", 80.2),
   ...:         ("mammal", "Primates", np.nan),
   ...:         ("mammal", "Carnivora", 58),
   ...:     ],
   ...:     index=["falcon", "parrot", "lion", "monkey", "leopard"],
   ...:     columns=("class", "order", "max_speed"),
   ...: )
   ...: 

In [2]: speeds
Out[2]: 
          class           order  max_speed
falcon     bird   Falconiformes      389.0
parrot     bird  Psittaciformes       24.0
lion     mammal       Carnivora       80.2
monkey   mammal        Primates        NaN
leopard  mammal       Carnivora       58.0

In [3]: grouped = speeds.groupby("class")

In [4]: grouped = speeds.groupby(["class", "order"])

映射可以以多种不同的方式指定

一个 Python 函数，将在每个索引标签上调用。
一个与索引长度相同的列表或 NumPy 数组。
一个字典或 Series，提供一个 label -> group name 映射。
对于 DataFrame 对象，一个字符串表示要用于分组的列名或索引级别名称。
上述任何事物的列表。

我们统称分组对象为 **键**。例如，考虑以下 DataFrame

注意

传递给 groupby 的字符串可以指代列或索引级别。如果一个字符串同时匹配列名和索引级别名称，则会引发 ValueError。

In [5]: df = pd.DataFrame(
   ...:     {
   ...:         "A": ["foo", "bar", "foo", "bar", "foo", "bar", "foo", "foo"],
   ...:         "B": ["one", "one", "two", "three", "two", "two", "one", "three"],
   ...:         "C": np.random.randn(8),
   ...:         "D": np.random.randn(8),
   ...:     }
   ...: )
   ...: 

In [6]: df
Out[6]: 
     A      B         C         D
0  foo    one  0.469112 -0.861849
1  bar    one -0.282863 -2.104569
2  foo    two -1.509059 -0.494929
3  bar  three -1.135632  1.071804
4  foo    two  1.212112  0.721555
5  bar    two -0.173215 -0.706771
6  foo    one  0.119209 -1.039575
7  foo  three -1.044236  0.271860

在 DataFrame 上，我们通过调用 groupby() 来获得一个 GroupBy 对象。此方法返回一个 pandas.api.typing.DataFrameGroupBy 实例。我们可以自然地按 A 或 B 列进行分组，或者同时进行分组

In [7]: grouped = df.groupby("A")

In [8]: grouped = df.groupby("B")

In [9]: grouped = df.groupby(["A", "B"])

注意

df.groupby('A') 只是 df.groupby(df['A']) 的语法糖。

如果我们在列 A 和 B 上也有一个多级索引，我们可以按除我们指定的列之外的所有列进行分组

In [10]: df2 = df.set_index(["A", "B"])

In [11]: grouped = df2.groupby(level=df2.index.names.difference(["B"]))

In [12]: grouped.sum()
Out[12]: 
            C         D
A                      
bar -1.591710 -1.739537
foo -0.752861 -1.402938

上面的 GroupBy 将根据其索引（行）拆分 DataFrame。要按列拆分，首先进行转置

In [13]: def get_letter_type(letter):
   ....:     if letter.lower() in 'aeiou':
   ....:         return 'vowel'
   ....:     else:
   ....:         return 'consonant'
   ....: 

In [14]: grouped = df.T.groupby(get_letter_type)

pandas 的 Index 对象支持重复值。如果在 groupby 操作中使用非唯一索引作为分组键，则相同索引值的的所有值将被视为一个组，因此聚合函数的输出将只包含唯一的索引值。

In [15]: index = [1, 2, 3, 1, 2, 3]

In [16]: s = pd.Series([1, 2, 3, 10, 20, 30], index=index)

In [17]: s
Out[17]: 
1     1
2     2
3     3
1    10
2    20
3    30
dtype: int64

In [18]: grouped = s.groupby(level=0)

In [19]: grouped.first()
Out[19]: 
1    1
2    2
3    3
dtype: int64

In [20]: grouped.last()
Out[20]: 
1    10
2    20
3    30
dtype: int64

In [21]: grouped.sum()
Out[21]: 
1    11
2    22
3    33
dtype: int64

请注意，在需要之前 **不会发生拆分**。创建 GroupBy 对象只会验证您是否传递了有效的映射。

注意

许多复杂的数据操作可以用 GroupBy 操作来表达（尽管不能保证这是最有效的实现）。您可以对标签映射函数进行相当有创意的处理。

GroupBy 排序#

默认情况下，分组键在 groupby 操作期间进行排序。但是，您可以传递 sort=False 以获得潜在的加速。使用 sort=False，分组键之间的顺序将遵循原始数据框中键的出现顺序。

In [22]: df2 = pd.DataFrame({"X": ["B", "B", "A", "A"], "Y": [1, 2, 3, 4]})

In [23]: df2.groupby(["X"]).sum()
Out[23]: 
   Y
X   
A  7
B  3

In [24]: df2.groupby(["X"], sort=False).sum()
Out[24]: 
   Y
X   
B  3
A  7

请注意，groupby 将保留每个组中观察值的排序顺序。例如，下面由 groupby() 创建的组按它们在原始 DataFrame 中出现的顺序排列。

In [25]: df3 = pd.DataFrame({"X": ["A", "B", "A", "B"], "Y": [1, 4, 3, 2]})

In [26]: df3.groupby("X").get_group("A")
Out[26]: 
   X  Y
0  A  1
2  A  3

In [27]: df3.groupby(["X"]).get_group(("B",))
Out[27]: 
   X  Y
1  B  4
3  B  2

GroupBy dropna#

默认情况下，NA 值在 groupby 操作期间从分组键中排除。但是，如果您想在分组键中包含 NA 值，您可以传递 dropna=False 来实现它。

In [28]: df_list = [[1, 2, 3], [1, None, 4], [2, 1, 3], [1, 2, 2]]

In [29]: df_dropna = pd.DataFrame(df_list, columns=["a", "b", "c"])

In [30]: df_dropna
Out[30]: 
   a    b  c
0  1  2.0  3
1  1  NaN  4
2  2  1.0  3
3  1  2.0  2

# Default ``dropna`` is set to True, which will exclude NaNs in keys
In [31]: df_dropna.groupby(by=["b"], dropna=True).sum()
Out[31]: 
     a  c
b        
1.0  2  3
2.0  2  5

# In order to allow NaN in keys, set ``dropna`` to False
In [32]: df_dropna.groupby(by=["b"], dropna=False).sum()
Out[32]: 
     a  c
b        
1.0  2  3
2.0  2  5
NaN  1  4

dropna 参数的默认设置为 True，这意味着 NA 不包含在分组键中。

GroupBy 对象属性#

groups 属性是一个字典，其键是计算出的唯一组，对应值是属于每个组的轴标签。在上面的示例中，我们有

In [33]: df.groupby("A").groups
Out[33]: {'bar': [1, 3, 5], 'foo': [0, 2, 4, 6, 7]}

In [34]: df.T.groupby(get_letter_type).groups
Out[34]: {'consonant': ['B', 'C', 'D'], 'vowel': ['A']}

在 GroupBy 对象上调用标准 Python len 函数将返回组的数量，这与 groups 字典的长度相同。

In [35]: grouped = df.groupby(["A", "B"])

In [36]: grouped.groups
Out[36]: {('bar', 'one'): [1], ('bar', 'three'): [3], ('bar', 'two'): [5], ('foo', 'one'): [0, 6], ('foo', 'three'): [7], ('foo', 'two'): [2, 4]}

In [37]: len(grouped)
Out[37]: 6

GroupBy 将自动补全列名、GroupBy 操作和其他属性。

In [38]: n = 10

In [39]: weight = np.random.normal(166, 20, size=n)

In [40]: height = np.random.normal(60, 10, size=n)

In [41]: time = pd.date_range("1/1/2000", periods=n)

In [42]: gender = np.random.choice(["male", "female"], size=n)

In [43]: df = pd.DataFrame(
   ....:     {"height": height, "weight": weight, "gender": gender}, index=time
   ....: )
   ....: 

In [44]: df
Out[44]: 
               height      weight  gender
2000-01-01  42.849980  157.500553    male
2000-01-02  49.607315  177.340407    male
2000-01-03  56.293531  171.524640    male
2000-01-04  48.421077  144.251986  female
2000-01-05  46.556882  152.526206    male
2000-01-06  68.448851  168.272968  female
2000-01-07  70.757698  136.431469    male
2000-01-08  58.909500  176.499753  female
2000-01-09  76.435631  174.094104  female
2000-01-10  45.306120  177.540920    male

In [45]: gb = df.groupby("gender")

In [46]: gb.<TAB>  # noqa: E225, E999
gb.agg        gb.boxplot    gb.cummin     gb.describe   gb.filter     gb.get_group  gb.height     gb.last       gb.median     gb.ngroups    gb.plot       gb.rank       gb.std        gb.transform
gb.aggregate  gb.count      gb.cumprod    gb.dtype      gb.first      gb.groups     gb.hist       gb.max        gb.min        gb.nth        gb.prod       gb.resample   gb.sum        gb.var
gb.apply      gb.cummax     gb.cumsum     gb.fillna     gb.gender     gb.head       gb.indices    gb.mean       gb.name       gb.ohlc       gb.quantile   gb.size       gb.tail       gb.weight

带 MultiIndex 的 GroupBy#

对于分层索引数据，按层次结构中的某个级别进行分组非常自然。

让我们创建一个具有两级 MultiIndex 的 Series。

In [47]: arrays = [
   ....:     ["bar", "bar", "baz", "baz", "foo", "foo", "qux", "qux"],
   ....:     ["one", "two", "one", "two", "one", "two", "one", "two"],
   ....: ]
   ....: 

In [48]: index = pd.MultiIndex.from_arrays(arrays, names=["first", "second"])

In [49]: s = pd.Series(np.random.randn(8), index=index)

In [50]: s
Out[50]: 
first  second
bar    one      -0.919854
       two      -0.042379
baz    one       1.247642
       two      -0.009920
foo    one       0.290213
       two       0.495767
qux    one       0.362949
       two       1.548106
dtype: float64

然后我们可以按 s 中的某个级别进行分组。

In [51]: grouped = s.groupby(level=0)

In [52]: grouped.sum()
Out[52]: 
first
bar   -0.962232
baz    1.237723
foo    0.785980
qux    1.911055
dtype: float64

如果 MultiIndex 指定了名称，则可以传递这些名称而不是级别编号。

In [53]: s.groupby(level="second").sum()
Out[53]: 
second
one    0.980950
two    1.991575
dtype: float64

支持按多个级别进行分组。

In [54]: arrays = [
   ....:     ["bar", "bar", "baz", "baz", "foo", "foo", "qux", "qux"],
   ....:     ["doo", "doo", "bee", "bee", "bop", "bop", "bop", "bop"],
   ....:     ["one", "two", "one", "two", "one", "two", "one", "two"],
   ....: ]
   ....: 

In [55]: index = pd.MultiIndex.from_arrays(arrays, names=["first", "second", "third"])

In [56]: s = pd.Series(np.random.randn(8), index=index)

In [57]: s
Out[57]: 
first  second  third
bar    doo     one     -1.131345
               two     -0.089329
baz    bee     one      0.337863
               two     -0.945867
foo    bop     one     -0.932132
               two      1.956030
qux    bop     one      0.017587
               two     -0.016692
dtype: float64

In [58]: s.groupby(level=["first", "second"]).sum()
Out[58]: 
first  second
bar    doo      -1.220674
baz    bee      -0.608004
foo    bop       1.023898
qux    bop       0.000895
dtype: float64

索引级别名称可以作为键提供。

In [59]: s.groupby(["first", "second"]).sum()
Out[59]: 
first  second
bar    doo      -1.220674
baz    bee      -0.608004
foo    bop       1.023898
qux    bop       0.000895
dtype: float64

关于 sum 函数和聚合的更多内容将在后面介绍。

按索引级别和列分组 DataFrame#

DataFrame 可以按列和索引级别的组合进行分组。您可以指定列名和索引名，或者使用 Grouper。

首先让我们创建一个具有 MultiIndex 的 DataFrame。

In [60]: arrays = [
   ....:     ["bar", "bar", "baz", "baz", "foo", "foo", "qux", "qux"],
   ....:     ["one", "two", "one", "two", "one", "two", "one", "two"],
   ....: ]
   ....: 

In [61]: index = pd.MultiIndex.from_arrays(arrays, names=["first", "second"])

In [62]: df = pd.DataFrame({"A": [1, 1, 1, 1, 2, 2, 3, 3], "B": np.arange(8)}, index=index)

In [63]: df
Out[63]: 
              A  B
first second      
bar   one     1  0
      two     1  1
baz   one     1  2
      two     1  3
foo   one     2  4
      two     2  5
qux   one     3  6
      two     3  7

然后我们按 df 的 second 索引级别和 A 列进行分组。

In [64]: df.groupby([pd.Grouper(level=1), "A"]).sum()
Out[64]: 
          B
second A   
one    1  2
       2  4
       3  6
two    1  4
       2  5
       3  7

索引级别也可以按名称指定。

In [65]: df.groupby([pd.Grouper(level="second"), "A"]).sum()
Out[65]: 
          B
second A   
one    1  2
       2  4
       3  6
two    1  4
       2  5
       3  7

索引级别名称可以直接作为键传递给 groupby。

In [66]: df.groupby(["second", "A"]).sum()
Out[66]: 
          B
second A   
one    1  2
       2  4
       3  6
two    1  4
       2  5
       3  7

GroupBy 中的 DataFrame 列选择#

从 DataFrame 创建 GroupBy 对象后，您可能希望对每列执行不同的操作。因此，通过在 GroupBy 对象上使用 []，类似于从 DataFrame 获取列的方式，您可以执行以下操作

In [67]: df = pd.DataFrame(
   ....:     {
   ....:         "A": ["foo", "bar", "foo", "bar", "foo", "bar", "foo", "foo"],
   ....:         "B": ["one", "one", "two", "three", "two", "two", "one", "three"],
   ....:         "C": np.random.randn(8),
   ....:         "D": np.random.randn(8),
   ....:     }
   ....: )
   ....: 

In [68]: df
Out[68]: 
     A      B         C         D
0  foo    one -0.575247  1.346061
1  bar    one  0.254161  1.511763
2  foo    two -1.143704  1.627081
3  bar  three  0.215897 -0.990582
4  foo    two  1.193555 -0.441652
5  bar    two -0.077118  1.211526
6  foo    one -0.408530  0.268520
7  foo  three -0.862495  0.024580

In [69]: grouped = df.groupby(["A"])

In [70]: grouped_C = grouped["C"]

In [71]: grouped_D = grouped["D"]

这主要是一种语法糖，用于更冗长的替代方法。

In [72]: df["C"].groupby(df["A"])
Out[72]: <pandas.core.groupby.generic.SeriesGroupBy object at 0x7fac68da1630>

此外，这种方法避免了重新计算从传递的键派生的内部分组信息。

您也可以包含分组列，如果您想对它们进行操作。

In [73]: grouped[["A", "B"]].sum()
Out[73]: 
                   A                  B
A                                      
bar        barbarbar        onethreetwo
foo  foofoofoofoofoo  onetwotwoonethree

遍历组#

有了 GroupBy 对象，遍历分组数据非常自然，并且与 itertools.groupby() 类似。

In [74]: grouped = df.groupby('A')

In [75]: for name, group in grouped:
   ....:     print(name)
   ....:     print(group)
   ....: 
bar
     A      B         C         D
1  bar    one  0.254161  1.511763
3  bar  three  0.215897 -0.990582
5  bar    two -0.077118  1.211526
foo
     A      B         C         D
0  foo    one -0.575247  1.346061
2  foo    two -1.143704  1.627081
4  foo    two  1.193555 -0.441652
6  foo    one -0.408530  0.268520
7  foo  three -0.862495  0.024580

在按多个键分组的情况下，组名将是一个元组。

In [76]: for name, group in df.groupby(['A', 'B']):
   ....:     print(name)
   ....:     print(group)
   ....: 
('bar', 'one')
     A    B         C         D
1  bar  one  0.254161  1.511763
('bar', 'three')
     A      B         C         D
3  bar  three  0.215897 -0.990582
('bar', 'two')
     A    B         C         D
5  bar  two -0.077118  1.211526
('foo', 'one')
     A    B         C         D
0  foo  one -0.575247  1.346061
6  foo  one -0.408530  0.268520
('foo', 'three')
     A      B         C        D
7  foo  three -0.862495  0.02458
('foo', 'two')
     A    B         C         D
2  foo  two -1.143704  1.627081
4  foo  two  1.193555 -0.441652

参见遍历组。

选择一个组#

可以使用 DataFrameGroupBy.get_group() 选择单个组。

In [77]: grouped.get_group("bar")
Out[77]: 
     A      B         C         D
1  bar    one  0.254161  1.511763
3  bar  three  0.215897 -0.990582
5  bar    two -0.077118  1.211526

或者对于在多个列上分组的对象。

In [78]: df.groupby(["A", "B"]).get_group(("bar", "one"))
Out[78]: 
     A    B         C         D
1  bar  one  0.254161  1.511763

聚合#

聚合是将分组对象的维度降低的 GroupBy 操作。聚合的结果是，或者至少被视为，每个组中每列的标量值。例如，生成一组值中每列的总和。

In [79]: animals = pd.DataFrame(
   ....:     {
   ....:         "kind": ["cat", "dog", "cat", "dog"],
   ....:         "height": [9.1, 6.0, 9.5, 34.0],
   ....:         "weight": [7.9, 7.5, 9.9, 198.0],
   ....:     }
   ....: )
   ....: 

In [80]: animals
Out[80]: 
  kind  height  weight
0  cat     9.1     7.9
1  dog     6.0     7.5
2  cat     9.5     9.9
3  dog    34.0   198.0

In [81]: animals.groupby("kind").sum()
Out[81]: 
      height  weight
kind                
cat     18.6    17.8
dog     40.0   205.5

在结果中，组的键默认情况下出现在索引中。它们可以通过传递 as_index=False 包含在列中。

In [82]: animals.groupby("kind", as_index=False).sum()
Out[82]: 
  kind  height  weight
0  cat    18.6    17.8
1  dog    40.0   205.5

内置聚合方法#

许多常见的聚合作为方法内置于 GroupBy 对象中。在下面列出的方法中，带有 * 的方法没有有效的、特定于 GroupBy 的实现。

方法	描述
`any()`	计算组中是否有任何值为真
`all()`	计算组中所有值是否都为真
`count()`	计算组中非 NA 值的数量
`cov()` *	计算组的协方差
`first()`	计算每个组中第一个出现的 value
`idxmax()`	计算每个组中最大值的索引
`idxmin()`	计算每个组中最小值的索引
`last()`	计算每个组中最后出现的数值
`max()`	计算每个组中的最大值
`mean()`	计算每个组的平均值
`median()`	计算每个组的中位数
`min()`	计算每个组中的最小值
`nunique()`	计算每个组中唯一值的个数
`prod()`	计算每个组中数值的乘积
`quantile()`	计算每个组中给定分位数的数值
`sem()`	计算每个组中数值的平均值的标准误差
`size()`	计算每个组中数值的个数
`skew()` *	计算每个组中数值的偏度
`std()`	计算每个组中数值的标准差
`sum()`	计算每个组中数值的总和
`var()`	计算每个组中数值的方差

一些示例

In [83]: df.groupby("A")[["C", "D"]].max()
Out[83]: 
            C         D
A                      
bar  0.254161  1.511763
foo  1.193555  1.627081

In [84]: df.groupby(["A", "B"]).mean()
Out[84]: 
                  C         D
A   B                        
bar one    0.254161  1.511763
    three  0.215897 -0.990582
    two   -0.077118  1.211526
foo one   -0.491888  0.807291
    three -0.862495  0.024580
    two    0.024925  0.592714

另一个聚合示例是计算每个组的大小。这包含在 GroupBy 中作为 size 方法。它返回一个 Series，其索引由组名组成，而值是每个组的大小。

In [85]: grouped = df.groupby(["A", "B"])

In [86]: grouped.size()
Out[86]: 
A    B    
bar  one      1
     three    1
     two      1
foo  one      2
     three    1
     two      2
dtype: int64

虽然 DataFrameGroupBy.describe() 方法本身不是一个归约器，但它可以用来方便地生成关于每个组的汇总统计信息集合。

In [87]: grouped.describe()
Out[87]: 
              C                      ...         D                    
          count      mean       std  ...       50%       75%       max
A   B                                ...                              
bar one     1.0  0.254161       NaN  ...  1.511763  1.511763  1.511763
    three   1.0  0.215897       NaN  ... -0.990582 -0.990582 -0.990582
    two     1.0 -0.077118       NaN  ...  1.211526  1.211526  1.211526
foo one     2.0 -0.491888  0.117887  ...  0.807291  1.076676  1.346061
    three   1.0 -0.862495       NaN  ...  0.024580  0.024580  0.024580
    two     2.0  0.024925  1.652692  ...  0.592714  1.109898  1.627081

[6 rows x 16 columns]

另一个聚合示例是计算每个组中唯一值的个数。这类似于 DataFrameGroupBy.value_counts() 函数，不同之处在于它只计算唯一值的个数。

In [88]: ll = [['foo', 1], ['foo', 2], ['foo', 2], ['bar', 1], ['bar', 1]]

In [89]: df4 = pd.DataFrame(ll, columns=["A", "B"])

In [90]: df4
Out[90]: 
     A  B
0  foo  1
1  foo  2
2  foo  2
3  bar  1
4  bar  1

In [91]: df4.groupby("A")["B"].nunique()
Out[91]: 
A
bar    1
foo    2
Name: B, dtype: int64

注意

当 as_index=True（默认值）时，聚合函数不会将您正在聚合的组作为命名列返回。分组列将是返回对象的索引。

传递 as_index=False将返回您正在聚合的组作为命名列，无论它们在输入中是命名索引还是列。

The `aggregate()` method#

注意

The aggregate() method can accept many different types of inputs. This section details using string aliases for various GroupBy methods; other inputs are detailed in the sections below.

任何 Pandas 实现的缩减方法都可以作为字符串传递给 aggregate()。鼓励用户使用简写形式 agg。它将像调用相应方法一样运行。

In [92]: grouped = df.groupby("A")

In [93]: grouped[["C", "D"]].aggregate("sum")
Out[93]: 
            C         D
A                      
bar  0.392940  1.732707
foo -1.796421  2.824590

In [94]: grouped = df.groupby(["A", "B"])

In [95]: grouped.agg("sum")
Out[95]: 
                  C         D
A   B                        
bar one    0.254161  1.511763
    three  0.215897 -0.990582
    two   -0.077118  1.211526
foo one   -0.983776  1.614581
    three -0.862495  0.024580
    two    0.049851  1.185429

聚合的结果将以组名为新索引。在多个键的情况下，结果默认情况下为 MultiIndex。如上所述，这可以通过使用 as_index 选项来更改。

In [96]: grouped = df.groupby(["A", "B"], as_index=False)

In [97]: grouped.agg("sum")
Out[97]: 
     A      B         C         D
0  bar    one  0.254161  1.511763
1  bar  three  0.215897 -0.990582
2  bar    two -0.077118  1.211526
3  foo    one -0.983776  1.614581
4  foo  three -0.862495  0.024580
5  foo    two  0.049851  1.185429

In [98]: df.groupby("A", as_index=False)[["C", "D"]].agg("sum")
Out[98]: 
     A         C         D
0  bar  0.392940  1.732707
1  foo -1.796421  2.824590

请注意，您可以使用 DataFrame.reset_index() DataFrame 函数来实现与列名存储在结果 MultiIndex 中相同的结果，尽管这将进行额外的复制。

In [99]: df.groupby(["A", "B"]).agg("sum").reset_index()
Out[99]: 
     A      B         C         D
0  bar    one  0.254161  1.511763
1  bar  three  0.215897 -0.990582
2  bar    two -0.077118  1.211526
3  foo    one -0.983776  1.614581
4  foo  three -0.862495  0.024580
5  foo    two  0.049851  1.185429

使用用户定义函数进行聚合#

用户还可以为自定义聚合提供自己的用户定义函数 (UDF)。

警告

当使用 UDF 聚合时，UDF 不应该修改提供的 Series。有关更多信息，请参见使用用户定义函数 (UDF) 方法进行修改。

注意

使用 UDF 聚合通常比在 GroupBy 上使用 pandas 内置方法效率低。考虑将复杂操作分解为一系列使用内置方法的操作。

In [100]: animals
Out[100]: 
  kind  height  weight
0  cat     9.1     7.9
1  dog     6.0     7.5
2  cat     9.5     9.9
3  dog    34.0   198.0

In [101]: animals.groupby("kind")[["height"]].agg(lambda x: set(x))
Out[101]: 
           height
kind             
cat    {9.1, 9.5}
dog   {34.0, 6.0}

结果数据类型将反映聚合函数的数据类型。如果不同组的结果具有不同的数据类型，则将以与 DataFrame 构造相同的方式确定通用数据类型。

In [102]: animals.groupby("kind")[["height"]].agg(lambda x: x.astype(int).sum())
Out[102]: 
      height
kind        
cat       18
dog       40

一次应用多个函数#

在分组的 Series 上，您可以将函数列表或字典传递给 SeriesGroupBy.agg()，输出一个 DataFrame

In [103]: grouped = df.groupby("A")

In [104]: grouped["C"].agg(["sum", "mean", "std"])
Out[104]: 
          sum      mean       std
A                                
bar  0.392940  0.130980  0.181231
foo -1.796421 -0.359284  0.912265

在分组的 DataFrame 上，您可以将函数列表传递给 DataFrameGroupBy.agg() 以聚合每一列，这将生成具有分层列索引的聚合结果

In [105]: grouped[["C", "D"]].agg(["sum", "mean", "std"])
Out[105]: 
            C                             D                    
          sum      mean       std       sum      mean       std
A                                                              
bar  0.392940  0.130980  0.181231  1.732707  0.577569  1.366330
foo -1.796421 -0.359284  0.912265  2.824590  0.564918  0.884785

生成的聚合以函数本身命名。如果您需要重命名，则可以像这样在 Series 中添加一个链式操作

In [106]: (
   .....:     grouped["C"]
   .....:     .agg(["sum", "mean", "std"])
   .....:     .rename(columns={"sum": "foo", "mean": "bar", "std": "baz"})
   .....: )
   .....: 
Out[106]: 
          foo       bar       baz
A                                
bar  0.392940  0.130980  0.181231
foo -1.796421 -0.359284  0.912265

对于分组的 DataFrame，您可以以类似的方式重命名

In [107]: (
   .....:     grouped[["C", "D"]].agg(["sum", "mean", "std"]).rename(
   .....:         columns={"sum": "foo", "mean": "bar", "std": "baz"}
   .....:     )
   .....: )
   .....: 
Out[107]: 
            C                             D                    
          foo       bar       baz       foo       bar       baz
A                                                              
bar  0.392940  0.130980  0.181231  1.732707  0.577569  1.366330
foo -1.796421 -0.359284  0.912265  2.824590  0.564918  0.884785

注意

通常，输出列名应该是唯一的，但 pandas 允许您将相同的函数（或两个具有相同名称的函数）应用于同一列。

In [108]: grouped["C"].agg(["sum", "sum"])
Out[108]: 
          sum       sum
A                      
bar  0.392940  0.392940
foo -1.796421 -1.796421

pandas 还允许您提供多个 lambda 表达式。在这种情况下，pandas 将对（无名）lambda 表达式的名称进行混淆，在每个后续 lambda 表达式中附加 _<i>。

In [109]: grouped["C"].agg([lambda x: x.max() - x.min(), lambda x: x.median() - x.mean()])
Out[109]: 
     <lambda_0>  <lambda_1>
A                          
bar    0.331279    0.084917
foo    2.337259   -0.215962

命名聚合#

为了支持控制输出列名的特定于列的聚合，pandas 接受了 DataFrameGroupBy.agg() 和 SeriesGroupBy.agg() 中的特殊语法，称为“命名聚合”，其中

关键字是输出列名
值是元组，其第一个元素是选择列，第二个元素是对该列应用的聚合。pandas 提供了 NamedAgg 具名元组，其字段为 ['column', 'aggfunc']，以更清楚地说明参数是什么。与往常一样，聚合可以是可调用对象或字符串别名。

In [110]: animals
Out[110]: 
  kind  height  weight
0  cat     9.1     7.9
1  dog     6.0     7.5
2  cat     9.5     9.9
3  dog    34.0   198.0

In [111]: animals.groupby("kind").agg(
   .....:     min_height=pd.NamedAgg(column="height", aggfunc="min"),
   .....:     max_height=pd.NamedAgg(column="height", aggfunc="max"),
   .....:     average_weight=pd.NamedAgg(column="weight", aggfunc="mean"),
   .....: )
   .....: 
Out[111]: 
      min_height  max_height  average_weight
kind                                        
cat          9.1         9.5            8.90
dog          6.0        34.0          102.75

NamedAgg 只是一个 namedtuple。也允许使用普通元组。

In [112]: animals.groupby("kind").agg(
   .....:     min_height=("height", "min"),
   .....:     max_height=("height", "max"),
   .....:     average_weight=("weight", "mean"),
   .....: )
   .....: 
Out[112]: 
      min_height  max_height  average_weight
kind                                        
cat          9.1         9.5            8.90
dog          6.0        34.0          102.75

如果所需的列名不是有效的 Python 关键字，请构造一个字典并解包关键字参数

In [113]: animals.groupby("kind").agg(
   .....:     **{
   .....:         "total weight": pd.NamedAgg(column="weight", aggfunc="sum")
   .....:     }
   .....: )
   .....: 
Out[113]: 
      total weight
kind              
cat           17.8
dog          205.5

使用命名聚合时，不会将其他关键字参数传递给聚合函数；只有 (column, aggfunc) 对应该作为 **kwargs 传递。如果聚合函数需要其他参数，请使用 functools.partial() 部分应用它们。

命名聚合对于 Series groupby 聚合也是有效的。在这种情况下，没有列选择，因此值只是函数。

In [114]: animals.groupby("kind").height.agg(
   .....:     min_height="min",
   .....:     max_height="max",
   .....: )
   .....: 
Out[114]: 
      min_height  max_height
kind                        
cat          9.1         9.5
dog          6.0        34.0

将不同的函数应用于 DataFrame 列#

通过将字典传递给 aggregate，您可以将不同的聚合应用于 DataFrame 的列

In [115]: grouped.agg({"C": "sum", "D": lambda x: np.std(x, ddof=1)})
Out[115]: 
            C         D
A                      
bar  0.392940  1.366330
foo -1.796421  0.884785

函数名也可以是字符串。为了使字符串有效，它必须在 GroupBy 上实现

In [116]: grouped.agg({"C": "sum", "D": "std"})
Out[116]: 
            C         D
A                      
bar  0.392940  1.366330
foo -1.796421  0.884785

转换#

转换是 GroupBy 操作，其结果与正在分组的结果具有相同的索引。常见示例包括 cumsum() 和 diff().

In [117]: speeds
Out[117]: 
          class           order  max_speed
falcon     bird   Falconiformes      389.0
parrot     bird  Psittaciformes       24.0
lion     mammal       Carnivora       80.2
monkey   mammal        Primates        NaN
leopard  mammal       Carnivora       58.0

In [118]: grouped = speeds.groupby("class")["max_speed"]

In [119]: grouped.cumsum()
Out[119]: 
falcon     389.0
parrot     413.0
lion        80.2
monkey       NaN
leopard    138.2
Name: max_speed, dtype: float64

In [120]: grouped.diff()
Out[120]: 
falcon       NaN
parrot    -365.0
lion         NaN
monkey       NaN
leopard      NaN
Name: max_speed, dtype: float64

与聚合不同，用于拆分原始对象的组合不包含在结果中。

注意

由于转换不包含用于拆分结果的组合，因此 DataFrame.groupby() 和 Series.groupby() 中的 as_index 和 sort 参数没有效果。

变换的常见用法是将结果加回到原始 DataFrame 中。

In [121]: result = speeds.copy()

In [122]: result["cumsum"] = grouped.cumsum()

In [123]: result["diff"] = grouped.diff()

In [124]: result
Out[124]: 
          class           order  max_speed  cumsum   diff
falcon     bird   Falconiformes      389.0   389.0    NaN
parrot     bird  Psittaciformes       24.0   413.0 -365.0
lion     mammal       Carnivora       80.2    80.2    NaN
monkey   mammal        Primates        NaN     NaN    NaN
leopard  mammal       Carnivora       58.0   138.2    NaN

内置变换方法#

GroupBy 上的以下方法充当变换。

方法	描述
`bfill()`	在每个组内向后填充 NA 值
`cumcount()`	计算每个组内的累积计数
`cummax()`	计算每个组内的累积最大值
`cummin()`	计算每个组内的累积最小值
`cumprod()`	计算每个组内的累积乘积
`cumsum()`	计算每个组内的累积总和
`diff()`	计算每个组内相邻值之间的差值
`ffill()`	在每个组内向前填充 NA 值
`pct_change()`	计算每个组内相邻值之间的百分比变化
`rank()`	计算每个组内每个值的排名
`shift()`	在每个组内向上或向下移动值

此外，将任何内置聚合方法作为字符串传递给 transform()（参见下一节）将广播结果到整个组，生成一个变换后的结果。如果聚合方法有高效的实现，这也会很有效。

The `transform()` 方法#

类似于聚合方法，transform()方法可以接受上一节中内置转换方法的字符串别名。它也可以接受内置聚合方法的字符串别名。当提供聚合方法时，结果将广播到整个组。

In [125]: speeds
Out[125]: 
          class           order  max_speed
falcon     bird   Falconiformes      389.0
parrot     bird  Psittaciformes       24.0
lion     mammal       Carnivora       80.2
monkey   mammal        Primates        NaN
leopard  mammal       Carnivora       58.0

In [126]: grouped = speeds.groupby("class")[["max_speed"]]

In [127]: grouped.transform("cumsum")
Out[127]: 
         max_speed
falcon       389.0
parrot       413.0
lion          80.2
monkey         NaN
leopard      138.2

In [128]: grouped.transform("sum")
Out[128]: 
         max_speed
falcon       413.0
parrot       413.0
lion         138.2
monkey       138.2
leopard      138.2

除了字符串别名之外，transform()方法还可以接受用户定义函数 (UDF)。UDF 必须

返回一个结果，该结果的大小与组块相同或可广播到组块的大小（例如，标量，grouped.transform(lambda x: x.iloc[-1])）。
对组块逐列操作。使用 chunk.apply 将转换应用于第一个组块。
不要对组块执行就地操作。组块应被视为不可变的，对组块的更改可能会产生意外结果。有关更多信息，请参阅使用用户定义函数 (UDF) 方法进行变异。
（可选）一次对整个组块的所有列进行操作。如果支持此操作，则从第二个块开始使用快速路径。

注意

通过向transform提供 UDF 来进行转换通常比在 GroupBy 上使用内置方法效率低。考虑将复杂操作分解为利用内置方法的一系列操作。

本节中的所有示例都可以通过调用内置方法而不是使用 UDF 来提高性能。请参阅下面的示例。

版本 2.0.0 中的变更: 当在分组后的 DataFrame 上使用 .transform 且转换函数返回 DataFrame 时，pandas 现在会将结果的索引与输入的索引对齐。您可以在转换函数中调用 .to_numpy() 以避免对齐。

类似于 aggregate() 方法，结果数据类型将反映转换函数的数据类型。如果来自不同组的结果具有不同的数据类型，则将以与 DataFrame 构造相同的方式确定通用数据类型。

假设我们希望标准化每个组中的数据

In [129]: index = pd.date_range("10/1/1999", periods=1100)

In [130]: ts = pd.Series(np.random.normal(0.5, 2, 1100), index)

In [131]: ts = ts.rolling(window=100, min_periods=100).mean().dropna()

In [132]: ts.head()
Out[132]: 
2000-01-08    0.779333
2000-01-09    0.778852
2000-01-10    0.786476
2000-01-11    0.782797
2000-01-12    0.798110
Freq: D, dtype: float64

In [133]: ts.tail()
Out[133]: 
2002-09-30    0.660294
2002-10-01    0.631095
2002-10-02    0.673601
2002-10-03    0.709213
2002-10-04    0.719369
Freq: D, dtype: float64

In [134]: transformed = ts.groupby(lambda x: x.year).transform(
   .....:     lambda x: (x - x.mean()) / x.std()
   .....: )
   .....: 

我们期望结果现在每个组的均值为 0，标准差为 1（浮点误差除外），我们可以轻松地进行检查

# Original Data
In [135]: grouped = ts.groupby(lambda x: x.year)

In [136]: grouped.mean()
Out[136]: 
2000    0.442441
2001    0.526246
2002    0.459365
dtype: float64

In [137]: grouped.std()
Out[137]: 
2000    0.131752
2001    0.210945
2002    0.128753
dtype: float64

# Transformed Data
In [138]: grouped_trans = transformed.groupby(lambda x: x.year)

In [139]: grouped_trans.mean()
Out[139]: 
2000   -4.870756e-16
2001   -1.545187e-16
2002    4.136282e-16
dtype: float64

In [140]: grouped_trans.std()
Out[140]: 
2000    1.0
2001    1.0
2002    1.0
dtype: float64

我们还可以直观地比较原始数据集和转换后的数据集。

In [141]: compare = pd.DataFrame({"Original": ts, "Transformed": transformed})

In [142]: compare.plot()
Out[142]: <Axes: >

具有较低维输出的转换函数将被广播以匹配输入数组的形状。

In [143]: ts.groupby(lambda x: x.year).transform(lambda x: x.max() - x.min())
Out[143]: 
2000-01-08    0.623893
2000-01-09    0.623893
2000-01-10    0.623893
2000-01-11    0.623893
2000-01-12    0.623893
                ...   
2002-09-30    0.558275
2002-10-01    0.558275
2002-10-02    0.558275
2002-10-03    0.558275
2002-10-04    0.558275
Freq: D, Length: 1001, dtype: float64

另一个常见的数据转换是将缺失数据替换为组均值。

In [144]: cols = ["A", "B", "C"]

In [145]: values = np.random.randn(1000, 3)

In [146]: values[np.random.randint(0, 1000, 100), 0] = np.nan

In [147]: values[np.random.randint(0, 1000, 50), 1] = np.nan

In [148]: values[np.random.randint(0, 1000, 200), 2] = np.nan

In [149]: data_df = pd.DataFrame(values, columns=cols)

In [150]: data_df
Out[150]: 
            A         B         C
0    1.539708 -1.166480  0.533026
1    1.302092 -0.505754       NaN
2   -0.371983  1.104803 -0.651520
3   -1.309622  1.118697 -1.161657
4   -1.924296  0.396437  0.812436
..        ...       ...       ...
995 -0.093110  0.683847 -0.774753
996 -0.185043  1.438572       NaN
997 -0.394469 -0.642343  0.011374
998 -1.174126  1.857148       NaN
999  0.234564  0.517098  0.393534

[1000 rows x 3 columns]

In [151]: countries = np.array(["US", "UK", "GR", "JP"])

In [152]: key = countries[np.random.randint(0, 4, 1000)]

In [153]: grouped = data_df.groupby(key)

# Non-NA count in each group
In [154]: grouped.count()
Out[154]: 
      A    B    C
GR  209  217  189
JP  240  255  217
UK  216  231  193
US  239  250  217

In [155]: transformed = grouped.transform(lambda x: x.fillna(x.mean()))

我们可以验证转换后的数据中组均值没有改变，并且转换后的数据不包含 NA。

In [156]: grouped_trans = transformed.groupby(key)

In [157]: grouped.mean()  # original group means
Out[157]: 
           A         B         C
GR -0.098371 -0.015420  0.068053
JP  0.069025  0.023100 -0.077324
UK  0.034069 -0.052580 -0.116525
US  0.058664 -0.020399  0.028603

In [158]: grouped_trans.mean()  # transformation did not change group means
Out[158]: 
           A         B         C
GR -0.098371 -0.015420  0.068053
JP  0.069025  0.023100 -0.077324
UK  0.034069 -0.052580 -0.116525
US  0.058664 -0.020399  0.028603

In [159]: grouped.count()  # original has some missing data points
Out[159]: 
      A    B    C
GR  209  217  189
JP  240  255  217
UK  216  231  193
US  239  250  217

In [160]: grouped_trans.count()  # counts after transformation
Out[160]: 
      A    B    C
GR  228  228  228
JP  267  267  267
UK  247  247  247
US  258  258  258

In [161]: grouped_trans.size()  # Verify non-NA count equals group size
Out[161]: 
GR    228
JP    267
UK    247
US    258
dtype: int64

如上文注释中所述，本节中的每个示例都可以使用内置方法更有效地计算。在下面的代码中，使用 UDF 的低效方法被注释掉，更快的替代方法出现在下面。

# result = ts.groupby(lambda x: x.year).transform(
#     lambda x: (x - x.mean()) / x.std()
# )
In [162]: grouped = ts.groupby(lambda x: x.year)

In [163]: result = (ts - grouped.transform("mean")) / grouped.transform("std")

# result = ts.groupby(lambda x: x.year).transform(lambda x: x.max() - x.min())
In [164]: grouped = ts.groupby(lambda x: x.year)

In [165]: result = grouped.transform("max") - grouped.transform("min")

# grouped = data_df.groupby(key)
# result = grouped.transform(lambda x: x.fillna(x.mean()))
In [166]: grouped = data_df.groupby(key)

In [167]: result = data_df.fillna(grouped.transform("mean"))

窗口和重采样操作#

可以使用 resample()、expanding() 和 rolling() 作为 groupby 的方法。

下面的示例将基于列 A 的组，对列 B 的样本应用 rolling() 方法。

In [168]: df_re = pd.DataFrame({"A": [1] * 10 + [5] * 10, "B": np.arange(20)})

In [169]: df_re
Out[169]: 
    A   B
0   1   0
1   1   1
2   1   2
3   1   3
4   1   4
.. ..  ..
15  5  15
16  5  16
17  5  17
18  5  18
19  5  19

[20 rows x 2 columns]

In [170]: df_re.groupby("A").rolling(4).B.mean()
Out[170]: 
A    
1  0      NaN
   1      NaN
   2      NaN
   3      1.5
   4      2.5
         ... 
5  15    13.5
   16    14.5
   17    15.5
   18    16.5
   19    17.5
Name: B, Length: 20, dtype: float64

expanding() 方法将为每个特定组的所有成员累积给定操作（示例中为 sum()）。

In [171]: df_re.groupby("A").expanding().sum()
Out[171]: 
          B
A          
1 0     0.0
  1     1.0
  2     3.0
  3     6.0
  4    10.0
...     ...
5 15   75.0
  16   91.0
  17  108.0
  18  126.0
  19  145.0

[20 rows x 1 columns]

假设您想使用 resample() 方法在 DataFrame 的每个组中获取每日频率，并希望使用 ffill() 方法完成缺失值。

In [172]: df_re = pd.DataFrame(
   .....:     {
   .....:         "date": pd.date_range(start="2016-01-01", periods=4, freq="W"),
   .....:         "group": [1, 1, 2, 2],
   .....:         "val": [5, 6, 7, 8],
   .....:     }
   .....: ).set_index("date")
   .....: 

In [173]: df_re
Out[173]: 
            group  val
date                  
2016-01-03      1    5
2016-01-10      1    6
2016-01-17      2    7
2016-01-24      2    8

In [174]: df_re.groupby("group").resample("1D", include_groups=False).ffill()
Out[174]: 
                  val
group date           
1     2016-01-03    5
      2016-01-04    5
      2016-01-05    5
      2016-01-06    5
      2016-01-07    5
...               ...
2     2016-01-20    7
      2016-01-21    7
      2016-01-22    7
      2016-01-23    7
      2016-01-24    8

[16 rows x 1 columns]

过滤#

过滤是一种 GroupBy 操作，它对原始分组对象进行子集化。它可以过滤掉整个组、部分组或两者。过滤返回调用对象的过滤版本，包括提供分组列时。在以下示例中，class 包含在结果中。

In [175]: speeds
Out[175]: 
          class           order  max_speed
falcon     bird   Falconiformes      389.0
parrot     bird  Psittaciformes       24.0
lion     mammal       Carnivora       80.2
monkey   mammal        Primates        NaN
leopard  mammal       Carnivora       58.0

In [176]: speeds.groupby("class").nth(1)
Out[176]: 
         class           order  max_speed
parrot    bird  Psittaciformes       24.0
monkey  mammal        Primates        NaN

注意

与聚合不同，过滤不会将组键添加到结果的索引中。因此，传递 as_index=False 或 sort=True 不会影响这些方法。

过滤操作将尊重对 GroupBy 对象的列进行子集化。

In [177]: speeds.groupby("class")[["order", "max_speed"]].nth(1)
Out[177]: 
                 order  max_speed
parrot  Psittaciformes       24.0
monkey        Primates        NaN

内置过滤#

GroupBy 上的以下方法充当过滤操作。所有这些方法都具有高效的、特定于 GroupBy 的实现。

方法	描述
`head()`	选择每个组的前一行（或多行）
`nth()`	选择每个组的第 n 行（或多行）
`tail()`	选择每个组的最后一行（或多行）

用户还可以使用转换以及布尔索引在组内构建复杂的过滤操作。例如，假设我们给定产品及其体积的组，并且我们希望将数据子集化，只保留捕获每个组内不超过 90% 总体积的最大产品。

In [178]: product_volumes = pd.DataFrame(
   .....:     {
   .....:         "group": list("xxxxyyy"),
   .....:         "product": list("abcdefg"),
   .....:         "volume": [10, 30, 20, 15, 40, 10, 20],
   .....:     }
   .....: )
   .....: 

In [179]: product_volumes
Out[179]: 
  group product  volume
0     x       a      10
1     x       b      30
2     x       c      20
3     x       d      15
4     y       e      40
5     y       f      10
6     y       g      20

# Sort by volume to select the largest products first
In [180]: product_volumes = product_volumes.sort_values("volume", ascending=False)

In [181]: grouped = product_volumes.groupby("group")["volume"]

In [182]: cumpct = grouped.cumsum() / grouped.transform("sum")

In [183]: cumpct
Out[183]: 
4    0.571429
1    0.400000
2    0.666667
6    0.857143
3    0.866667
0    1.000000
5    1.000000
Name: volume, dtype: float64

In [184]: significant_products = product_volumes[cumpct <= 0.9]

In [185]: significant_products.sort_values(["group", "product"])
Out[185]: 
  group product  volume
1     x       b      30
2     x       c      20
3     x       d      15
4     y       e      40
6     y       g      20

filter 方法#

注意

通过向 filter 提供用户定义函数 (UDF) 来进行过滤通常比使用 GroupBy 上的内置方法性能更低。考虑将复杂操作分解为利用内置方法的一系列操作。

filter 方法接受一个用户定义函数 (UDF)，该函数在应用于整个组时返回 True 或 False。然后，filter 方法的结果是 UDF 返回 True 的组的子集。

假设我们只想获取属于组总和大于 2 的组的元素。

In [186]: sf = pd.Series([1, 1, 2, 3, 3, 3])

In [187]: sf.groupby(sf).filter(lambda x: x.sum() > 2)
Out[187]: 
3    3
4    3
5    3
dtype: int64

另一个有用的操作是过滤掉属于只有几个成员的组的元素。

In [188]: dff = pd.DataFrame({"A": np.arange(8), "B": list("aabbbbcc")})

In [189]: dff.groupby("B").filter(lambda x: len(x) > 2)
Out[189]: 
   A  B
2  2  b
3  3  b
4  4  b
5  5  b

或者，我们可以返回一个类似索引的对象，其中不通过过滤器的组填充为 NaN，而不是删除有问题的组。

In [190]: dff.groupby("B").filter(lambda x: len(x) > 2, dropna=False)
Out[190]: 
     A    B
NaN  NaN
NaN  NaN
2.0    b
3.0    b
4.0    b
5.0    b
NaN  NaN
NaN  NaN

对于具有多个列的 DataFrame，过滤器应明确指定列作为过滤条件。

In [191]: dff["C"] = np.arange(8)

In [192]: dff.groupby("B").filter(lambda x: len(x["C"]) > 2)
Out[192]: 
   A  B  C
2  2  b  2
3  3  b  3
4  4  b  4
5  5  b  5

灵活的 apply#

对分组数据的一些操作可能不适合聚合、转换或过滤类别。对于这些操作，您可以使用 apply 函数。

警告

apply 必须尝试从结果中推断它应该充当归约器、转换器或过滤器，具体取决于传递给它的内容。因此，分组列可能包含在输出中，也可能不包含。虽然它会尝试智能地猜测如何运行，但有时会猜错。

注意

本节中的所有示例都可以使用其他 pandas 功能更可靠、更高效地计算。

In [193]: df
Out[193]: 
     A      B         C         D
0  foo    one -0.575247  1.346061
1  bar    one  0.254161  1.511763
2  foo    two -1.143704  1.627081
3  bar  three  0.215897 -0.990582
4  foo    two  1.193555 -0.441652
5  bar    two -0.077118  1.211526
6  foo    one -0.408530  0.268520
7  foo  three -0.862495  0.024580

In [194]: grouped = df.groupby("A")

# could also just call .describe()
In [195]: grouped["C"].apply(lambda x: x.describe())
Out[195]: 
A         
bar  count    3.000000
     mean     0.130980
     std      0.181231
     min     -0.077118
     25%      0.069390
                ...   
foo  min     -1.143704
     25%     -0.862495
     50%     -0.575247
     75%     -0.408530
     max      1.193555
Name: C, Length: 16, dtype: float64

返回结果的维度也会改变

In [196]: grouped = df.groupby('A')['C']

In [197]: def f(group):
   .....:     return pd.DataFrame({'original': group,
   .....:                          'demeaned': group - group.mean()})
   .....: 

In [198]: grouped.apply(f)
Out[198]: 
       original  demeaned
A                        
bar 1  0.254161  0.123181
    3  0.215897  0.084917
    5 -0.077118 -0.208098
foo 0 -0.575247 -0.215962
    2 -1.143704 -0.784420
    4  1.193555  1.552839
    6 -0.408530 -0.049245
    7 -0.862495 -0.503211

apply 在 Series 上可以对应用函数返回的自身也是 Series 的值进行操作，并可能将结果提升为 DataFrame

In [199]: def f(x):
   .....:     return pd.Series([x, x ** 2], index=["x", "x^2"])
   .....: 

In [200]: s = pd.Series(np.random.rand(5))

In [201]: s
Out[201]: 
0    0.582898
1    0.098352
2    0.001438
3    0.009420
4    0.815826
dtype: float64

In [202]: s.apply(f)
Out[202]: 
          x       x^2
0  0.582898  0.339770
1  0.098352  0.009673
2  0.001438  0.000002
3  0.009420  0.000089
4  0.815826  0.665572

类似于 aggregate() 方法，结果 dtype 将反映 apply 函数的 dtype。如果不同组的结果具有不同的 dtype，则将以与 DataFrame 构造相同的方式确定共同的 dtype。

使用 `group_keys` 控制分组列的放置#

要控制分组列是否包含在索引中，可以使用参数 group_keys，其默认值为 True。比较

In [203]: df.groupby("A", group_keys=True).apply(lambda x: x, include_groups=False)
Out[203]: 
           B         C         D
A                               
bar 1    one  0.254161  1.511763
    3  three  0.215897 -0.990582
    5    two -0.077118  1.211526
foo 0    one -0.575247  1.346061
    2    two -1.143704  1.627081
    4    two  1.193555 -0.441652
    6    one -0.408530  0.268520
    7  three -0.862495  0.024580

与

In [204]: df.groupby("A", group_keys=False).apply(lambda x: x, include_groups=False)
Out[204]: 
       B         C         D
  one -0.575247  1.346061
  one  0.254161  1.511763
  two -1.143704  1.627081
three  0.215897 -0.990582
  two  1.193555 -0.441652
  two -0.077118  1.211526
  one -0.408530  0.268520
three -0.862495  0.024580

Numba 加速例程#

版本 1.1 中的新增功能。

如果 Numba 安装为可选依赖项，则 transform 和 aggregate 方法支持 engine='numba' 和 engine_kwargs 参数。有关参数的一般用法和性能注意事项，请参见使用 Numba 提高性能。

函数签名必须以 values, index 完全匹配，因为属于每个组的数据将传递到 values 中，而组索引将传递到 index 中。

警告

当使用 engine='numba' 时，内部将不会有“回退”行为。分组数据和分组索引将作为 NumPy 数组传递给 JITed 用户定义函数，并且不会尝试任何其他执行尝试。

其他有用功能#

排除非数值列#

再次考虑我们一直在查看的示例 DataFrame

In [205]: df
Out[205]: 
     A      B         C         D
foo    one -0.575247  1.346061
bar    one  0.254161  1.511763
foo    two -1.143704  1.627081
bar  three  0.215897 -0.990582
foo    two  1.193555 -0.441652
bar    two -0.077118  1.211526
foo    one -0.408530  0.268520
foo  three -0.862495  0.024580

假设我们希望根据 A 列计算标准差。存在一个轻微的问题，即我们不关心 B 列中的数据，因为它不是数值。您可以通过指定 numeric_only=True 来避免非数值列。

In [206]: df.groupby("A").std(numeric_only=True)
Out[206]: 
            C         D
A                      
bar  0.181231  1.366330
foo  0.912265  0.884785

请注意，df.groupby('A').colname.std(). 比 df.groupby('A').std().colname 更有效。因此，如果仅需要在某一列（此处为 colname）上获得聚合函数的结果，则可以在应用聚合函数之前对其进行过滤。

In [207]: from decimal import Decimal

In [208]: df_dec = pd.DataFrame(
   .....:     {
   .....:         "id": [1, 2, 1, 2],
   .....:         "int_column": [1, 2, 3, 4],
   .....:         "dec_column": [
   .....:             Decimal("0.50"),
   .....:             Decimal("0.15"),
   .....:             Decimal("0.25"),
   .....:             Decimal("0.40"),
   .....:         ],
   .....:     }
   .....: )
   .....: 

In [209]: df_dec.groupby(["id"])[["dec_column"]].sum()
Out[209]: 
   dec_column
id           
1        0.75
2        0.55

处理（未）观察到的分类值#

当使用 Categorical 分组器（作为单个分组器或作为多个分组器的一部分）时，observed 关键字控制是返回所有可能的分组器值的笛卡尔积 (observed=False) 还是仅返回观察到的分组器 (observed=True)。

显示所有值

In [210]: pd.Series([1, 1, 1]).groupby(
   .....:     pd.Categorical(["a", "a", "a"], categories=["a", "b"]), observed=False
   .....: ).count()
   .....: 
Out[210]: 
a    3
b    0
dtype: int64

仅显示观察到的值

In [211]: pd.Series([1, 1, 1]).groupby(
   .....:     pd.Categorical(["a", "a", "a"], categories=["a", "b"]), observed=True
   .....: ).count()
   .....: 
Out[211]: 
a    3
dtype: int64

分组返回的 dtype 将始终包含所有分组的类别。

In [212]: s = (
   .....:     pd.Series([1, 1, 1])
   .....:     .groupby(pd.Categorical(["a", "a", "a"], categories=["a", "b"]), observed=True)
   .....:     .count()
   .....: )
   .....: 

In [213]: s.index.dtype
Out[213]: CategoricalDtype(categories=['a', 'b'], ordered=False, categories_dtype=object)

NA 组处理#

当提到 NA 时，指的是任何 NA 值，包括 NA、NaN、NaT 和 None。如果分组键中存在任何 NA 值，默认情况下这些值将被排除。换句话说，任何“NA 组”都将被删除。您可以通过指定 dropna=False 来包含 NA 组。

In [214]: df = pd.DataFrame({"key": [1.0, 1.0, np.nan, 2.0, np.nan], "A": [1, 2, 3, 4, 5]})

In [215]: df
Out[215]: 
   key  A
0  1.0  1
1  1.0  2
2  NaN  3
3  2.0  4
4  NaN  5

In [216]: df.groupby("key", dropna=True).sum()
Out[216]: 
     A
key   
1.0  3
2.0  4

In [217]: df.groupby("key", dropna=False).sum()
Out[217]: 
     A
key   
1.0  3
2.0  4
NaN  8

使用有序因子进行分组#

表示为 pandas 的 Categorical 类实例的分类变量可以用作分组键。如果是这样，级别的顺序将被保留。当 observed=False 且 sort=False 时，任何未观察到的类别将在结果的末尾按顺序排列。

In [218]: days = pd.Categorical(
   .....:     values=["Wed", "Mon", "Thu", "Mon", "Wed", "Sat"],
   .....:     categories=["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"],
   .....: )
   .....: 

In [219]: data = pd.DataFrame(
   .....:    {
   .....:        "day": days,
   .....:        "workers": [3, 4, 1, 4, 2, 2],
   .....:    }
   .....: )
   .....: 

In [220]: data
Out[220]: 
   day  workers
0  Wed        3
1  Mon        4
2  Thu        1
3  Mon        4
4  Wed        2
5  Sat        2

In [221]: data.groupby("day", observed=False, sort=True).sum()
Out[221]: 
     workers
day         
Mon        8
Tue        0
Wed        5
Thu        1
Fri        0
Sat        2
Sun        0

In [222]: data.groupby("day", observed=False, sort=False).sum()
Out[222]: 
     workers
day         
Wed        5
Mon        8
Thu        1
Sat        2
Tue        0
Fri        0
Sun        0

使用分组器规范进行分组#

您可能需要指定更多数据才能正确分组。您可以使用 pd.Grouper 来提供这种本地控制。

In [223]: import datetime

In [224]: df = pd.DataFrame(
   .....:     {
   .....:         "Branch": "A A A A A A A B".split(),
   .....:         "Buyer": "Carl Mark Carl Carl Joe Joe Joe Carl".split(),
   .....:         "Quantity": [1, 3, 5, 1, 8, 1, 9, 3],
   .....:         "Date": [
   .....:             datetime.datetime(2013, 1, 1, 13, 0),
   .....:             datetime.datetime(2013, 1, 1, 13, 5),
   .....:             datetime.datetime(2013, 10, 1, 20, 0),
   .....:             datetime.datetime(2013, 10, 2, 10, 0),
   .....:             datetime.datetime(2013, 10, 1, 20, 0),
   .....:             datetime.datetime(2013, 10, 2, 10, 0),
   .....:             datetime.datetime(2013, 12, 2, 12, 0),
   .....:             datetime.datetime(2013, 12, 2, 14, 0),
   .....:         ],
   .....:     }
   .....: )
   .....: 

In [225]: df
Out[225]: 
  Branch Buyer  Quantity                Date
0      A  Carl         1 2013-01-01 13:00:00
1      A  Mark         3 2013-01-01 13:05:00
2      A  Carl         5 2013-10-01 20:00:00
3      A  Carl         1 2013-10-02 10:00:00
4      A   Joe         8 2013-10-01 20:00:00
5      A   Joe         1 2013-10-02 10:00:00
6      A   Joe         9 2013-12-02 12:00:00
7      B  Carl         3 2013-12-02 14:00:00

使用所需频率对特定列进行分组。这类似于重采样。

In [226]: df.groupby([pd.Grouper(freq="1ME", key="Date"), "Buyer"])[["Quantity"]].sum()
Out[226]: 
                  Quantity
Date       Buyer          
2013-01-31 Carl          1
           Mark          3
2013-10-31 Carl          6
           Joe           9
2013-12-31 Carl          3
           Joe           9

当指定 freq 时，由 pd.Grouper 返回的对象将是 pandas.api.typing.TimeGrouper 的实例。当存在具有相同名称的列和索引时，您可以使用 key 对列进行分组，使用 level 对索引进行分组。

In [227]: df = df.set_index("Date")

In [228]: df["Date"] = df.index + pd.offsets.MonthEnd(2)

In [229]: df.groupby([pd.Grouper(freq="6ME", key="Date"), "Buyer"])[["Quantity"]].sum()
Out[229]: 
                  Quantity
Date       Buyer          
2013-02-28 Carl          1
           Mark          3
2014-02-28 Carl          9
           Joe          18

In [230]: df.groupby([pd.Grouper(freq="6ME", level="Date"), "Buyer"])[["Quantity"]].sum()
Out[230]: 
                  Quantity
Date       Buyer          
2013-01-31 Carl          1
           Mark          3
2014-01-31 Carl          9
           Joe          18

获取每个组的第一行#

就像 DataFrame 或 Series 一样，您可以在 groupby 上调用 head 和 tail。

In [231]: df = pd.DataFrame([[1, 2], [1, 4], [5, 6]], columns=["A", "B"])

In [232]: df
Out[232]: 
   A  B
0  1  2
1  1  4
2  5  6

In [233]: g = df.groupby("A")

In [234]: g.head(1)
Out[234]: 
   A  B
0  1  2
2  5  6

In [235]: g.tail(1)
Out[235]: 
   A  B
1  1  4
2  5  6

这将显示每个组的前 n 行或后 n 行。

获取每个组的第 n 行#

要从每个组中选择第 n 个项目，请使用 DataFrameGroupBy.nth() 或 SeriesGroupBy.nth()。提供的参数可以是任何整数、整数列表、切片或切片列表；请参阅以下示例。当组的第 n 个元素不存在时，不会引发错误；而是不会返回相应的行。

通常，此操作充当过滤。在某些情况下，它还会返回每个组的一行，使其也成为减少。但是，由于它通常可以返回每个组的零行或多行，因此 pandas 在所有情况下都将其视为过滤。

In [236]: df = pd.DataFrame([[1, np.nan], [1, 4], [5, 6]], columns=["A", "B"])

In [237]: g = df.groupby("A")

In [238]: g.nth(0)
Out[238]: 
   A    B
0  1  NaN
2  5  6.0

In [239]: g.nth(-1)
Out[239]: 
   A    B
1  1  4.0
2  5  6.0

In [240]: g.nth(1)
Out[240]: 
   A    B
1  1  4.0

如果组的第 n 个元素不存在，则结果中不包含相应的行。特别是，如果指定的 n 大于任何组，则结果将为空 DataFrame。

In [241]: g.nth(5)
Out[241]: 
Empty DataFrame
Columns: [A, B]
Index: []

如果要选择第 n 个非空项目，请使用 dropna 关键字参数。对于 DataFrame，这应该与您传递给 dropna 一样，要么是 'any'，要么是 'all'。

# nth(0) is the same as g.first()
In [242]: g.nth(0, dropna="any")
Out[242]: 
   A    B
1  1  4.0
2  5  6.0

In [243]: g.first()
Out[243]: 
     B
A     
1  4.0
5  6.0

# nth(-1) is the same as g.last()
In [244]: g.nth(-1, dropna="any")
Out[244]: 
   A    B
1  1  4.0
2  5  6.0

In [245]: g.last()
Out[245]: 
     B
A     
1  4.0
5  6.0

In [246]: g.B.nth(0, dropna="all")
Out[246]: 
1    4.0
2    6.0
Name: B, dtype: float64

您还可以通过指定多个第 n 个值作为整数列表来从每个组中选择多行。

In [247]: business_dates = pd.date_range(start="4/1/2014", end="6/30/2014", freq="B")

In [248]: df = pd.DataFrame(1, index=business_dates, columns=["a", "b"])

# get the first, 4th, and last date index for each month
In [249]: df.groupby([df.index.year, df.index.month]).nth([0, 3, -1])
Out[249]: 
            a  b
2014-04-01  1  1
2014-04-04  1  1
2014-04-30  1  1
2014-05-01  1  1
2014-05-06  1  1
2014-05-30  1  1
2014-06-02  1  1
2014-06-05  1  1
2014-06-30  1  1

您也可以使用切片或切片列表。

In [250]: df.groupby([df.index.year, df.index.month]).nth[1:]
Out[250]: 
            a  b
2014-04-02  1  1
2014-04-03  1  1
2014-04-04  1  1
2014-04-07  1  1
2014-04-08  1  1
...        .. ..
2014-06-24  1  1
2014-06-25  1  1
2014-06-26  1  1
2014-06-27  1  1
2014-06-30  1  1

[62 rows x 2 columns]

In [251]: df.groupby([df.index.year, df.index.month]).nth[1:, :-1]
Out[251]: 
            a  b
2014-04-01  1  1
2014-04-02  1  1
2014-04-03  1  1
2014-04-04  1  1
2014-04-07  1  1
...        .. ..
2014-06-24  1  1
2014-06-25  1  1
2014-06-26  1  1
2014-06-27  1  1
2014-06-30  1  1

[65 rows x 2 columns]

枚举组项目#

要查看每行在其组中出现的顺序，请使用 cumcount 方法。

In [252]: dfg = pd.DataFrame(list("aaabba"), columns=["A"])

In [253]: dfg
Out[253]: 
   A
0  a
1  a
2  a
3  b
4  b
5  a

In [254]: dfg.groupby("A").cumcount()
Out[254]: 
0    0
1    1
2    2
3    0
4    1
5    3
dtype: int64

In [255]: dfg.groupby("A").cumcount(ascending=False)
Out[255]: 
0    3
1    2
2    1
3    1
4    0
5    0
dtype: int64

枚举组#

要查看组的排序（与 cumcount 给出的组内行的顺序相反），您可以使用 DataFrameGroupBy.ngroup()。

请注意，分配给组的数字与迭代 groupby 对象时看到的组顺序相匹配，而不是它们首次观察到的顺序。

In [256]: dfg = pd.DataFrame(list("aaabba"), columns=["A"])

In [257]: dfg
Out[257]: 
   A
0  a
1  a
2  a
3  b
4  b
5  a

In [258]: dfg.groupby("A").ngroup()
Out[258]: 
0    0
1    0
2    0
3    1
4    1
5    0
dtype: int64

In [259]: dfg.groupby("A").ngroup(ascending=False)
Out[259]: 
0    1
1    1
2    1
3    0
4    0
5    1
dtype: int64

绘图#

Groupby 也适用于某些绘图方法。在这种情况下，假设我们怀疑列 1 中的值在组“B”中平均高出 3 倍。

In [260]: np.random.seed(1234)

In [261]: df = pd.DataFrame(np.random.randn(50, 2))

In [262]: df["g"] = np.random.choice(["A", "B"], size=50)

In [263]: df.loc[df["g"] == "B", 1] += 3

我们可以用箱线图轻松地可视化它。

In [264]: df.groupby("g").boxplot()
Out[264]: 
A         Axes(0.1,0.15;0.363636x0.75)
B    Axes(0.536364,0.15;0.363636x0.75)
dtype: object

调用 boxplot 的结果是一个字典，其键是我们分组列 g 的值（“A” 和 “B”）。结果字典的值可以通过 boxplot 的 return_type 关键字控制。有关更多信息，请参见可视化文档。

警告

出于历史原因，df.groupby("g").boxplot() 不等同于 df.boxplot(by="g")。有关解释，请参见此处。

管道函数调用#

类似于 DataFrame 和 Series 提供的功能，接受 GroupBy 对象的函数可以使用 pipe 方法链接在一起，以实现更简洁、更易读的语法。有关 .pipe 的一般信息，请参见此处。

结合 .groupby 和 .pipe 通常在您需要重用 GroupBy 对象时很有用。

例如，假设有一个包含商店、产品、收入和销售数量列的 DataFrame。我们希望对每个商店和每个产品的价格（即收入/数量）进行分组计算。我们可以通过多步操作来完成此操作，但用管道表达它可以使代码更易读。首先，我们设置数据

In [265]: n = 1000

In [266]: df = pd.DataFrame(
   .....:     {
   .....:         "Store": np.random.choice(["Store_1", "Store_2"], n),
   .....:         "Product": np.random.choice(["Product_1", "Product_2"], n),
   .....:         "Revenue": (np.random.random(n) * 50 + 10).round(2),
   .....:         "Quantity": np.random.randint(1, 10, size=n),
   .....:     }
   .....: )
   .....: 

In [267]: df.head(2)
Out[267]: 
     Store    Product  Revenue  Quantity
0  Store_2  Product_1    26.12         1
1  Store_2  Product_1    28.86         1

现在，我们找到每个商店/产品的价格。

In [268]: (
   .....:     df.groupby(["Store", "Product"])
   .....:     .pipe(lambda grp: grp.Revenue.sum() / grp.Quantity.sum())
   .....:     .unstack()
   .....:     .round(2)
   .....: )
   .....: 
Out[268]: 
Product  Product_1  Product_2
Store                        
Store_1       6.82       7.05
Store_2       6.30       6.64

当您想要将分组对象传递给某个任意函数时，管道也可以很有效，例如

In [269]: def mean(groupby):
   .....:     return groupby.mean()
   .....: 

In [270]: df.groupby(["Store", "Product"]).pipe(mean)
Out[270]: 
                     Revenue  Quantity
Store   Product                       
Store_1 Product_1  34.622727  5.075758
        Product_2  35.482815  5.029630
Store_2 Product_1  32.972837  5.237589
        Product_2  34.684360  5.224000

这里，mean 接受一个 GroupBy 对象，并分别找到每个商店-产品组合的收入和数量列的平均值。mean 函数可以是任何接受 GroupBy 对象的函数；.pipe 将 GroupBy 对象作为参数传递给您指定的函数。

示例#

多列分解#

通过使用 DataFrameGroupBy.ngroup()，我们可以提取有关分组的信息，类似于 factorize()（如重塑 API 中所述），但它自然适用于混合类型和不同来源的多个列。这在处理过程中作为中间分类步骤很有用，当组行之间的关系比它们的内容更重要时，或者作为仅接受整数编码的算法的输入。（有关 pandas 中对完整分类数据的支持的更多信息，请参阅分类介绍和 API 文档。）

In [271]: dfg = pd.DataFrame({"A": [1, 1, 2, 3, 2], "B": list("aaaba")})

In [272]: dfg
Out[272]: 
   A  B
0  1  a
1  1  a
2  2  a
3  3  b
4  2  a

In [273]: dfg.groupby(["A", "B"]).ngroup()
Out[273]: 
0    0
1    0
2    1
3    2
4    1
dtype: int64

In [274]: dfg.groupby(["A", [0, 0, 0, 1, 1]]).ngroup()
Out[274]: 
0    0
1    0
2    1
3    3
4    2
dtype: int64

通过索引器对数据进行“重采样”分组#

重采样从已经存在的观测数据或从生成数据的模型中生成新的假设样本（重采样）。这些新样本类似于预先存在的样本。

为了使重采样在非日期时间类型的索引上工作，可以使用以下过程。

在以下示例中，df.index // 5 返回一个整数数组，该数组用于确定为分组操作选择什么。

注意

以下示例展示了如何通过将样本合并成更少的样本进行降采样。这里通过使用 df.index // 5，我们将样本聚合到 bin 中。通过应用 std() 函数，我们将包含在许多样本中的信息聚合到一个小的值子集中，即它们的标准差，从而减少了样本数量。

In [275]: df = pd.DataFrame(np.random.randn(10, 2))

In [276]: df
Out[276]: 
          0         1
0 -0.793893  0.321153
1  0.342250  1.618906
2 -0.975807  1.918201
3 -0.810847 -1.405919
4 -1.977759  0.461659
5  0.730057 -1.316938
6 -0.751328  0.528290
7 -0.257759 -1.081009
8  0.505895 -1.701948
9 -1.006349  0.020208

In [277]: df.index // 5
Out[277]: Index([0, 0, 0, 0, 0, 1, 1, 1, 1, 1], dtype='int64')

In [278]: df.groupby(df.index // 5).std()
Out[278]: 
          0         1
0  0.823647  1.312912
1  0.760109  0.942941

返回一个 Series 以传播名称#

对 DataFrame 列进行分组，计算一组指标并返回一个命名的 Series。Series 名称用作列索引的名称。这在与重塑操作（如堆叠）结合使用时特别有用，其中列索引名称将用作插入列的名称。

In [279]: df = pd.DataFrame(
   .....:     {
   .....:         "a": [0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2],
   .....:         "b": [0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1],
   .....:         "c": [1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0],
   .....:         "d": [0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1],
   .....:     }
   .....: )
   .....: 

In [280]: def compute_metrics(x):
   .....:     result = {"b_sum": x["b"].sum(), "c_mean": x["c"].mean()}
   .....:     return pd.Series(result, name="metrics")
   .....: 

In [281]: result = df.groupby("a").apply(compute_metrics, include_groups=False)

In [282]: result
Out[282]: 
metrics  b_sum  c_mean
a                     
0          2.0     0.5
1          2.0     0.5
2          2.0     0.5

In [283]: result.stack(future_stack=True)
Out[283]: 
a  metrics
0  b_sum      2.0
   c_mean     0.5
1  b_sum      2.0
   c_mean     0.5
2  b_sum      2.0
   c_mean     0.5
dtype: float64

分组：拆分-应用-合并#

将对象拆分为组#

GroupBy 排序#

GroupBy dropna#

GroupBy 对象属性#

带 MultiIndex 的 GroupBy#

按索引级别和列分组 DataFrame#

GroupBy 中的 DataFrame 列选择#

遍历组#

选择一个组#

聚合#

内置聚合方法#

The aggregate() method#

使用用户定义函数进行聚合#

一次应用多个函数#

命名聚合#

将不同的函数应用于 DataFrame 列#

转换#

内置变换方法#

The transform() 方法#

窗口和重采样操作#

过滤#

内置过滤#

filter 方法#

灵活的 apply#

使用 group_keys 控制分组列的放置#

Numba 加速例程#

其他有用功能#

排除非数值列#

处理（未）观察到的分类值#

NA 组处理#

使用有序因子进行分组#

使用分组器规范进行分组#

获取每个组的第一行#

获取每个组的第 n 行#

枚举组项目#

枚举组#

绘图#

管道函数调用#

示例#

多列分解#

通过索引器对数据进行“重采样”分组#

返回一个 Series 以传播名称#

The `aggregate()` method#

The `transform()` 方法#

使用 `group_keys` 控制分组列的放置#