本文主要介绍python中groupby函数的详细解释，简单易懂。在本文中通过示例代码非常详细，对大家的学习或工作都有一定的参考价值。有需要的朋友下面跟边肖学习。

一、groupby 能做什么？

python中groupby函数的主要作用是对数据进行分组，分组后在组内进行计算！

对于数据分组和分组操作，主要是指groupby函数的应用。具体功能的规则如下：

Df[](指输出数据的结果属性名)。groupby([df[属性]，df[属性])(指分类的属性，数据的限定符，可以有多个)。mean()(数据的计算方法是3354函数名)

例子如下：

打印(df['分数']。groupby([df[' region' ]，df[' type' ]])。均值())

#上述语句的作用是输出表格所有数据中不同地区不同类型评分数据的平均值。

二、单类分组

A.groupby(“性别”)

首先，我们有一个数据类型为DataFrame的变量A。

想按[性别]分组

结果是一个Groupby对象，并且没有执行任何操作。

describe()

描述组内数据的基本统计。

A.groupby('性别')。描述()。拆分()

*只有数值类型的列数据才会计算统计数据。

*在示例中，有两列数值数据[class]和[height]。

但是，我们不需要班级的平均值之类的信息，只需要[身高]，所以做一个小小的改动：

A.groupby('性别')['身高']。描述()。拆分()

unstack()

索引重排

在上面的例子中，使用了一个小技巧来使计算结果更容易比较和查看。有兴趣的同学可以自己拆下unstack，对比显示的结果。

三、多类分组

A.groupby( ['class '，' gender'])

单独使用Groupby，我们仍然得到一个groupby对象。

mean()

组内平均值计算

DataFrame的许多功能可以直接应用于Groupby对象。

上图摘自熊猫官网文档，这里就不细说了。

我们也可以使用多个函数一次性计算。

A.groupby( ['class '，' gender'])。agg ([np.sum，np.mean，np.std]) #一次算三个。

agg()

多重分组操作

四、时间分组

时间序列可以直接作为指标，或者一列是时间序列，区别不大。

这里只是演示一下，某一列是时间序列。

为a增加一个新列【生日】，由于分隔符“/”，我们检查列属性，【生日】的属性不是日期类型。

我们想做的是：

1.按照【生日】的【年份】分组，看有多少人是同龄人？

A['生日']=pd.to_datetime(A['生日']，format='%Y/%m/%d') #转换为时间格式。

A.groupby(A['生日']。应用(x:x . year))。count () #按[生日]的[年份]分组

此外，我们希望选择：

2.同年，作为一个小组，小组中生日最高的人担任组长：

A.sort_values('生日'，inplace=True) #按时间排序

A.groupby(A['生日']。apply (lambda x: x.year)，as _ index=false)。首先()

as_index=False

保持原数据指标结果不变。

first()

保留第一个数据。

Tail(n=1)

最后n个数据被保留。

此外：

3.想知道哪个月只有一个人过生日？

A.groupby(A['生日']。apply (lambda x: x.month)，as _ index=false) #这里按月分组。

A.groupby(A['生日']。apply (lambda x: x.month)，as _ index=false)。过滤器(x:len(x)==1)

filter()

过滤数据包，保留符合()条件的数据包。

这些是groupby最常用的函数。

使用first()、tail()截取每组前后的几个数据。

使用apply()对每个组执行(自定义)函数操作。

使用filter()选择满足特定条件的组。

这篇关于用python解释groupby函数的浅显易懂的文章到此结束。有关python groupby函数的更多信息，请搜索我们以前的文章或继续浏览下面的相关文章。希望你以后能支持我们！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。