Pandas數(shù)據(jù)分組統(tǒng)計(jì)的實(shí)現(xiàn)示例

更新時(shí)間：2023年11月26日 10:47:30 作者：GarsonW

對(duì)數(shù)據(jù)進(jìn)行分組統(tǒng)計(jì),主要適用DataFrame對(duì)象的groupby()函數(shù),本文就來(lái)詳細(xì)的介紹下Pandas數(shù)據(jù)分組統(tǒng)計(jì)的實(shí)現(xiàn),具有一定的參考價(jià)值,感興趣的可以了解下

1.分組統(tǒng)計(jì)groupby()函數(shù)

對(duì)數(shù)據(jù)進(jìn)行分組統(tǒng)計(jì)，主要適用DataFrame對(duì)象的groupby()函數(shù)。其功能如下。

（1）根據(jù)特定條件，將數(shù)據(jù)拆分成組

（2）每個(gè)組都可以獨(dú)立應(yīng)用函數(shù)（如求和函數(shù)sum()，均值函數(shù)mean()等）

（3）將結(jié)果合并到一個(gè)數(shù)據(jù)結(jié)構(gòu)中

示例1:

根據(jù)“一級(jí)分類”對(duì)訂單數(shù)據(jù)進(jìn)行分組統(tǒng)計(jì)求和。

import pandas as pd  #導(dǎo)入pandas模塊
df=pd.read_csv('JD.csv',encoding='gbk')
#抽取數(shù)據(jù)
df1=df[['一級(jí)分類','7天點(diǎn)擊量','訂單預(yù)定']]
df1=df1.groupby('一級(jí)分類').sum()       #分組統(tǒng)計(jì)求和

示例2:

按照?qǐng)D書(shū)“一級(jí)分類”和“二級(jí)分類”對(duì)訂單數(shù)據(jù)進(jìn)行分組統(tǒng)計(jì)求和

import pandas as pd  #導(dǎo)入pandas模塊
df=pd.read_csv('JD.csv',encoding='gbk')
#抽取數(shù)據(jù)
df1=df[['一級(jí)分類','二級(jí)分類','7天點(diǎn)擊量','訂單預(yù)定']]
df2=df1.groupby(['一級(jí)分類','二級(jí)分類']).sum()    #分組統(tǒng)計(jì)求和

示例3:

求各二級(jí)分類的七天點(diǎn)擊量。首先按“二級(jí)分類”分類，而后進(jìn)行分組統(tǒng)計(jì)求和。

df1 = df1.groupby('二級(jí)分類')['七天點(diǎn)擊量'].sum()

2.對(duì)分組數(shù)據(jù)進(jìn)行迭代

示例1:

按照“一級(jí)分類”分組，并且輸出每一分類中的訂單數(shù)據(jù)

# 抽取數(shù)據(jù)
df1 = df[['一級(jí)分類',‘七天點(diǎn)擊量',‘訂單預(yù)定']]
for name, group in df.groupby('一級(jí)分類')
    print(name)
    print(group)

其中name是‘一級(jí)分類’， group是其他數(shù)據(jù)。因此使用groupby()函數(shù)對(duì)多列進(jìn)行分組，那么需要在for循環(huán)中指定多列。

3.對(duì)分組的某列或多列使用聚合函數(shù)

Python也可以實(shí)現(xiàn)像SQL中的分組聚合運(yùn)算操作，主要通過(guò)groupby()函數(shù)與agg()函數(shù)實(shí)現(xiàn)。

以下代碼實(shí)現(xiàn)：

1. 以'一級(jí)分類'分組，求分組后的平均值與和

2.以'一級(jí)分類'分組，求分組后'七天點(diǎn)擊量'的平均值與和，求'訂單預(yù)定'的和

df1.groupby('一級(jí)分類').agg(['mean','sum'])

df1.groupby('一級(jí)分類').agg({'七天點(diǎn)擊量':['mean','sum'],'訂單預(yù)定':['sum']})

我們可以通過(guò)自定義函數(shù)實(shí)現(xiàn)數(shù)組分組統(tǒng)計(jì)。書(shū)本p110

以下代碼實(shí)現(xiàn)：

1.統(tǒng)計(jì)一月份銷售數(shù)據(jù)中，購(gòu)買次數(shù)最多的產(chǎn)品，及其人均購(gòu)買數(shù)，人均花費(fèi)，總購(gòu)買數(shù)，總花費(fèi)。

df = pd.read_excel('1月.xlsx')
max1 = lambda x: x.value_counts(dropna=false).index[0]
df1 = df.agg({'寶貝標(biāo)題':[max1],
              '數(shù)量':['sum','mean'],
              '賣家實(shí)際支付金額':['sum','mean']})
print(df1)

4.通過(guò)字典和Series對(duì)象進(jìn)行分組統(tǒng)計(jì)

1.通過(guò)字典進(jìn)行分組統(tǒng)計(jì)

創(chuàng)建字典，df.groupby()函數(shù)通過(guò)字典內(nèi)信息分組。

import pandas as pd  #導(dǎo)入pandas模塊
#解決數(shù)據(jù)輸出時(shí)列名不對(duì)齊的問(wèn)題
pd.set_option('display.unicode.east_asian_width', True)
df=pd.read_csv('JD.csv',encoding='gbk')  #導(dǎo)入csv文件
df=df.set_index(['商品名稱'])
#創(chuàng)建字典
mapping={'北京出庫(kù)銷量':'北上廣','上海出庫(kù)銷量':'北上廣',
         '廣州出庫(kù)銷量':'北上廣','成都出庫(kù)銷量':'成都',
         '武漢出庫(kù)銷量':'武漢','西安出庫(kù)銷量':'西安'}
df1=df.groupby(mapping,axis=1).sum()
print(df1)

2.通過(guò)Series對(duì)象進(jìn)行分組統(tǒng)計(jì)

創(chuàng)建一個(gè)Series對(duì)象，然后將Series對(duì)象傳給groupby()函數(shù)實(shí)現(xiàn)數(shù)據(jù)分組。Series對(duì)象內(nèi)放索引+值：如'北京出庫(kù)銷量'，對(duì)應(yīng)值'北上廣'。

import pandas as pd  #導(dǎo)入pandas模塊
#解決數(shù)據(jù)輸出時(shí)列名不對(duì)齊的問(wèn)題
pd.set_option('display.unicode.east_asian_width', True)
df=pd.read_csv('JD.csv',encoding='gbk')  #導(dǎo)入csv文件
df=df.set_index(['商品名稱'])
data={'北京出庫(kù)銷量':'北上廣','上海出庫(kù)銷量':'北上廣',
         '廣州出庫(kù)銷量':'北上廣','成都出庫(kù)銷量':'成都',
         '武漢出庫(kù)銷量':'武漢','西安出庫(kù)銷量':'西安',}
s1=pd.Series(data)
print(s1)
df1=df.groupby(s1,axis=1).sum()
print(df1)

到此這篇關(guān)于Pandas數(shù)據(jù)分組統(tǒng)計(jì)的實(shí)現(xiàn)示例的文章就介紹到這了,更多相關(guān)Pandas 分組統(tǒng)計(jì)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: