时间:2021-05-22
一、pandas分组
1、分组运算过程:split->apply->combine
2、分组函数
DataFrame.groupby(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, observed=False, **kwargsby: 依据哪些列进行分组,值可以是:mapping, function, label, or list of labels
3、聚合函数
4、分组聚合实例
单列分组
>>> import pandas as pd>>> df = pd.DataFrame({'A': ['a', 'b', 'a', 'c', 'a', 'c', 'b', 'c'], 'B': [2, 8, 1, 4,3, 2, 5, 9], 'C': [102, 98, 107, 104, 115, 87, 92, 123], 'D': [2, 98, 17, 14, 15, 7, 92, 13]})>>> df A B C D0 a 2 102 21 b 8 98 982 a 1 107 173 c 4 104 144 a 3 115 155 c 2 87 76 b 5 92 927 c 9 123 13>>> df.groupby(by='A').sum() B C DAa 6 324 34b 13 190 190c 15 314 34多列分组
>>> df.groupby(by=['A','B']).sum() ###A,B成索引 C DA Ba 1 107 17 2 102 2 3 115 15b 5 92 92 8 98 98c 2 87 7 4 104 14 9 123 13多列聚合
>>> df.groupby(by=['A','B'])['C'].sum() ###1个列A Ba 1 107 2 102 3 115b 5 92 8 98c 2 87 4 104 9 123 >>> df.groupby(by=['A','B'])['C','D'].sum() ###2个列 C DA Ba 1 107 17 2 102 2 3 115 15b 5 92 92 8 98 98c 2 87 7 4 104 14 9 123 13多列不同聚合方式
>>> import numpy as np>>> df.groupby(by=['A']).agg({'C':[np.mean, 'sum'], 'D':['count',np.std]}) C D mean sum count stdAa 108.000000 324 3 8.144528b 95.000000 190 2 4.242641c 104.666667 314 3 3.785939 >>>ps: 不同列使用多个不同函数进行聚合C: mean,sum;D:count,std返回值类型区别
方法1:agg>>> df.groupby(by=['A']).agg({'C':[np.mean]}) C meanAa 108.000000b 95.000000c 104.666667>>> type(df.groupby(by=['A']).agg({'C':[np.mean]}))<class 'pandas.core.frame.DataFrame'> 方法2:索引>>> df.groupby(by=['A'])['C'].mean()Aa 108.000000b 95.000000c 104.666667Name: C, dtype: float64>>> type(df.groupby(by=['A'])['C'].mean())<class 'pandas.core.series.Series'> 总结: 两种方法结果一样,但是一个类型是DataFrame,一个为Series;有时候会用上二、pandas排序
按索引进行降序排列
>>> df A B C D0 a 2 102 21 b 8 98 982 a 1 107 173 c 4 104 144 a 3 115 155 c 2 87 76 b 5 92 927 c 9 123 13>>> df.sort_index(ascending=False) ### 索引 A B C D7 c 9 123 136 b 5 92 925 c 2 87 74 a 3 115 153 c 4 104 142 a 1 107 171 b 8 98 980 a 2 102 2按值进行降序排列
>>> df.sort_values(by="A",ascending=False) # 按某一列 A B C D3 c 4 104 145 c 2 87 77 c 9 123 131 b 8 98 986 b 5 92 920 a 2 102 22 a 1 107 174 a 3 115 15 >>> df.sort_values(by=["B","A"],ascending=False) # 按2列 A B C D7 c 9 123 131 b 8 98 986 b 5 92 923 c 4 104 144 a 3 115 155 c 2 87 70 a 2 102 22 a 1 107 17以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
问题:pandas组内排序,并在每个分组内按序打上序号描述:pandasdataframe对dep_id组内的salary排序。希望给下面原本只有前三列的dat
Pandas的apply函数概念(图解)实例1:怎样对数值按分组的归一化实例2:怎样取每个分组的TOPN数据到此这篇关于Pandas对每个分组应用apply函数
本文实例讲述了jQuery实现带分组数据的Table表头排序。分享给大家供大家参考,具体如下:如下图:要求:点击表头排序时,"分组"及"分组明细"的数据层次关系
Java8的groupingBy实现集合的分组,类似Mysql的groupby分组功能,注意得到的是一个map对集合按照单个属性分组、分组计数、排序Listit
由于GROUPBY实际上也同样会进行排序操作,而且与ORDERBY相比,GROUPBY主要只是多了排序之后的分组操作。当然,如果在分组的时候还使用了其他的一些聚