一、Pandas数据分组与操作

在我们进行业务数据分析时，经常要对数据根据1个或多个字段分为不同的组（group）进行分析处理。如电商领域可能会根据地理位置分组，社交领域会根据用户画像（性别、年龄）进行分组，再进行后续的分析处理。

Pandas中可以借助groupby操作对Dataframe分组操作，本文介绍groupby的基本原理及对应的agg、transform和apply方法与操作。

我们先模拟产出1个Dataframe：

import numpy as np
import pandas as pd

company=["A","B","C"]

data=pd.DataFrame({
    "company":[company[x] for x in np.random.randint(0,len(company),10)],
    "salary":np.random.randint(5,50,10),
    "age":np.random.randint(15,50,10)})

二、Groupby分组及应用

2.1 分组

pandas实现分组操作的很简单，只需要把分组的依据(字段)放入groupby中，例如下面示例代码基于company分组：

group = data.groupby("company")

经过groupby处理之后我们会得到一个DataFrameGroupBy对象：

group

# 输出
<pandas.core.groupby.generic.DataFrameGroupBy object at 0x000001C67C072BE0>

这个生成的DataFrameGroupBy是什么？data经过groupby处理后发生了什么？

上面返回的Groupby处理结果是内存地址，并不利于直观地理解，我们可以把group转换成list的形式来看一看内部数据和整个过程：

list(group)

转换成列表的形式后，可以看到，列表由三个元组组成，每个元组中：

第一个元素是组别（这里是按照company进行分组，所以最后分为了A,B,C）
第二个元素的是对应组别下的DataFrame

总结一下，groupby将原有的DataFrame按照指定的字段（这里是company），划分为若干个分组DataFrame。groupby之后可以进行下一步操作，注意，在groupby之后的一系列操作（如agg、apply等），均是基于子DataFrame的操作。

下面我们一起看看groupby之后的常见操作。

2.2 agg 聚合操作

聚合统计操作是groupby后最常见的操作，类比于SQL中我们会对数据按照group做聚合，pandas中通过agg来完成。聚合操作可以用来求和、均值、最大值、最小值等，下表为Pandas中常见的聚合操作：

例如，计算不同公司员工的平均年龄和平均薪水，示例代码如下：

data.groupby("company").agg('mean')

或者针对不同字段做不同的计算处理，例如，要计算不同公司员工的平均年龄、薪水的中位数。可以利用字典进行聚合操作：

data.groupby('company').agg({'salary':'median','age':'mean'})

我们对agg聚合过程进行图解，如下所示：

2.3 transform变换

transform是另外一个pandas分组后会使用到的方法，我们举例来说明它的用法。

上述agg应用例子中，我们计算了不同公司员工的平均薪水，如果现在需要新增一列avg\_salary，代表员工所在的公司的平均薪水（相同公司的员工具有一样的平均薪水），我们就可以借助transform来完成。

要完成上述任务，我们需要先求得不同公司的平均薪水，再按照员工和公司的对应关系填充到对应的位置，使用之前学到的map方法可以拆解实现如下：

avg_salary_dict = data.groupby('company')['salary'].mean().to_dict()

data['avg_salary'] = data['company'].map(avg_salary_dict)

data

而transform方法可以帮助我们一行实现全过程：

data['avg_salary'] = data.groupby('company')['salary'].transform('mean')

data

下面对groupby+transform的过程做图解帮助理解：

注意图中大方框，展示了transform和agg不一样的计算过程：

agg：会计算得到A，B，C公司对应的均值并直接返回
transform：会对每一条数据求得相应的结果，同一组内的样本会有相同的值，组内求完均值后会按照原索引的顺序返回结果

2.4 apply方法

之前我们介绍过对Dataframe使用apply进行灵活数据变换操作处理的方法，它支持传入自定义函数，实现复杂数据操作。apply除了之前介绍的用法，也可以用在groupby后，我们一起来学习一下。

对于groupby后的apply，实际上是以分组后的子DataFrame作为参数传入指定函数的，基本操作单位是DataFrame，而之前介绍的apply的基本操作单位是Series。我们通过一个案例来理解一下。

加入我们需要获取各个公司年龄最大的员工的数据，可以通过以下代码实现：

def get_oldest_staff(x):
     df = x.sort_values(by = 'age',ascending=True)
     return df.iloc[-1,:]

oldest_staff = data.groupby('company',as_index=False).apply(get_oldest_staff)

oldest_staff

我们对上面的过程图解帮助理解：

本例中的apply传入函数的参数由Series变成这里的分组DataFrame。相比于agg和transform，apply方法拥有更大的灵活性，但它的运行效率会比agg和transform慢。所以，groupby之后怼数据做操作，优先使用agg和transform，其次再考虑使用apply进行操作。