关于python：使用pandas GroupBy获取每个组的统计信息(例如计数，平均值等)？

Get statistics for each group (such as count, mean, etc) using pandas GroupBy?

我有一个数据框df，我使用它的几列到groupby：

1	df['col1','col2','col3','col4'].groupby(['col1','col2']).mean()

以上面的方式，我几乎得到了我需要的表(数据框)。缺少的是包含每个组中行数的附加列。换句话说，我有意思，但我也想知道有多少数字被用来获得这些手段。例如，在第一组中有8个值，在第二组中有10个，依此类推。

简而言之：如何获取数据帧的分组统计信息？

相关讨论

快速回答：

获取每组行数的最简单方法是调用.size()，返回Series：

1	df.groupby(['col1','col2']).size()

通常您希望此结果为DataFrame(而不是Series)，因此您可以执行以下操作：

1	df.groupby(['col1', 'col2']).size().reset_index(name='counts')

如果您想了解如何计算每个组的行数和其他统计数据，请继续阅读下面的内容。

详细示例：

请考虑以下示例数据帧：

1
2
3
4
5
6
7
8
9
10
11
12
13

In [2]: df
Out[2]:
col1 col2 col3 col4 col5 col6
0 A B 0.20 -0.61 -0.49 1.49
1 A B -1.53 -1.01 -0.39 1.82
2 A B -0.44 0.27 0.72 0.11
3 A B 0.28 -1.32 0.38 0.18
4 C D 0.12 0.59 0.81 0.66
5 C D -0.13 -1.65 -1.64 0.50
6 C D -1.42 -0.11 -0.18 -0.44
7 E F -0.00 1.42 -0.26 1.17
8 E F 0.91 -0.47 1.35 -0.34
9 G H 1.48 -0.63 -1.14 0.17

首先让我们使用.size()来获取行数：

1
2
3
4
5
6
7
8

In [3]: df.groupby(['col1', 'col2']).size()
Out[3]:
col1 col2
A B 4
C D 3
E F 2
G H 1
dtype: int64

然后让我们使用.size().reset_index(name='counts')来获取行数：

1
2
3
4
5
6
7

In [4]: df.groupby(['col1', 'col2']).size().reset_index(name='counts')
Out[4]:
col1 col2 counts
0 A B 4
1 C D 3
2 E F 2
3 G H 1

包括更多统计数据的结果

如果要计算分组数据的统计信息，通常如下所示：

1
2
3
4
5
6
7
8
9
10
11
12
13
14

In [5]: (df
...: .groupby(['col1', 'col2'])
...: .agg({
...: 'col3': ['mean', 'count'],
...: 'col4': ['median', 'min', 'count']
...: }))
Out[5]:
col4 col3
median min count mean count
col1 col2
A B -0.810 -1.32 4 -0.372500 4
C D -0.110 -1.65 3 -0.476667 3
E F 0.475 -0.47 2 0.455000 2
G H -0.630 -0.63 1 1.480000 1

由于嵌套列标签，上面的结果有点烦人，也因为行数是基于每列的。

为了获得对输出的更多控制，我通常将统计数据拆分为单个聚合，然后使用join进行组合。它看起来像这样：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

In [6]: gb = df.groupby(['col1', 'col2'])
...: counts = gb.size().to_frame(name='counts')
...: (counts
...: .join(gb.agg({'col3': 'mean'}).rename(columns={'col3': 'col3_mean'}))
...: .join(gb.agg({'col4': 'median'}).rename(columns={'col4': 'col4_median'}))
...: .join(gb.agg({'col4': 'min'}).rename(columns={'col4': 'col4_min'}))
...: .reset_index()
...: )
...:
Out[6]:
col1 col2 counts col3_mean col4_median col4_min
0 A B 4 -0.372500 -0.810 -1.32
1 C D 3 -0.476667 -0.110 -1.65
2 E F 2 0.455000 0.475 -0.47
3 G H 1 1.480000 -0.630 -0.63

脚注

用于生成测试数据的代码如下所示：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

In [1]: import numpy as np
...: import pandas as pd
...:
...: keys = np.array([
...: ['A', 'B'],
...: ['A', 'B'],
...: ['A', 'B'],
...: ['A', 'B'],
...: ['C', 'D'],
...: ['C', 'D'],
...: ['C', 'D'],
...: ['E', 'F'],
...: ['E', 'F'],
...: ['G', 'H']
...: ])
...:
...: df = pd.DataFrame(
...: np.hstack([keys,np.random.randn(10,4).round(2)]),
...: columns = ['col1', 'col2', 'col3', 'col4', 'col5', 'col6']
...: )
...:
...: df[['col3', 'col4', 'col5', 'col6']] = \
...: df[['col3', 'col4', 'col5', 'col6']].astype(float)
...:

免责声明：

如果您聚合的某些列具有空值，那么您确实希望将组行计数视为每列的独立聚合。否则，您可能会被误导为实际使用了多少记录来计算平均值，因为大熊猫会在平均计算中丢弃NaN条目而不会告诉您。

相关讨论

在groupby对象上，agg函数可以使用列表一次应用多个聚合方法。这应该会给你你需要的结果：

1	df[['col1', 'col2', 'col3', 'col4']].groupby(['col1', 'col2']).agg(['mean', 'count'])

相关讨论

统治所有的一个功能：GroupBy.describe

每组返回count，mean，std和其他有用的统计信息。

1	df.groupby(['col1', 'col2'])['col3', 'col4'].describe()

1
2
3
4
5
6
7
8

# Setup
np.random.seed(0)
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)})

1
2
3
4
5
6
7
8
9
10
11
12
13

from IPython.display import display

with pd.option_context('precision', 2):
display(df.groupby(['A', 'B'])['C'].describe())

count mean std min 25% 50% 75% max
A B
bar one 1.0 0.40 NaN 0.40 0.40 0.40 0.40 0.40
three 1.0 2.24 NaN 2.24 2.24 2.24 2.24 2.24
two 1.0 -0.98 NaN -0.98 -0.98 -0.98 -0.98 -0.98
foo one 2.0 1.36 0.58 0.95 1.15 1.36 1.56 1.76
three 1.0 -0.15 NaN -0.15 -0.15 -0.15 -0.15 -0.15
two 2.0 1.42 0.63 0.98 1.20 1.42 1.65 1.87

要获取具体的统计数据，只需选择它们，

1
2
3
4
5
6
7
8
9
10

df.groupby(['A', 'B'])['C'].describe()[['count', 'mean']]

count mean
A B
bar one 1.0 0.400157
three 1.0 2.240893
two 1.0 -0.977278
foo one 2.0 1.357070
three 1.0 -0.151357
two 2.0 1.423148

describe适用于多个列(将['C']更改为['C', 'D'] - 或者将其完全删除 - 并查看会发生什么，结果是MultiIndexed柱状数据帧)。

您还可以获得字符串数据的不同统计信息这是一个例子，

1	df2 = df.assign(D=list('aaabbccc')).sample(n=100, replace=True)

1
2
3
4
5
6
7
8
9
10
11
12
13
14

with pd.option_context('precision', 2):
display(df2.groupby(['A', 'B'])
.describe(include='all')
.dropna(how='all', axis=1))

C D
count mean std min 25% 50% 75% max count unique top freq
A B
bar one 14.0 0.40 5.76e-17 0.40 0.40 0.40 0.40 0.40 14 1 a 14
three 14.0 2.24 4.61e-16 2.24 2.24 2.24 2.24 2.24 14 1 b 14
two 9.0 -0.98 0.00e+00 -0.98 -0.98 -0.98 -0.98 -0.98 9 1 c 9
foo one 22.0 1.43 4.10e-01 0.95 0.95 1.76 1.76 1.76 22 2 a 13
three 15.0 -0.15 0.00e+00 -0.15 -0.15 -0.15 -0.15 -0.15 15 1 c 15
two 26.0 1.49 4.48e-01 0.98 0.98 1.87 1.87 1.87 26 2 b 15

有关更多信息，请参阅文档。

我们可以通过使用groupby和count轻松完成。但是，我们应该记得使用reset_index()。

1 2	df[['col1','col2','col3','col4']].groupby(['col1','col2']).count().\ reset_index()

相关讨论

创建一个组对象并调用如下示例的方法：

1
2
3
4
5

grp = df.groupby(['col1', 'col2', 'col3'])

grp.max()
grp.mean()
grp.describe()