PIA Pandas 数据分析实战 9 GroupBy 对象

GroupBy 对象

pandas 库的 GroupBy 对象是一个存储容器，用于将 DataFrame 行分组到存储桶中。它提供了一组方法来聚合和分析集合中的每个独立组。它允许我们提取每个组中特定索引位置的行。它还提供了一种迭代行组的便捷方法。

import pandas as pd

从头开始创建 GroupBy 对象

我们首先创建一个 DataFrame 来存储超市中水果和蔬菜的价格：

>>> import pandas as pd
>>> food_data = {
   
   
...     "Item": ["Banana", "Cucumber", "Orange", "Tomato", "Watermelon"],
...     "Type": ["Fruit", "Vegetable", "Fruit", "Vegetable", "Fruit"],
...     "Price": [0.99, 1.25, 0.25, 0.33, 3.00],
... }
>>> supermarket = pd.DataFrame(data=food_data)
>>> supermarket
         Item       Type  Price
0      Banana      Fruit   0.99
1    Cucumber  Vegetable   1.25
2      Orange      Fruit   0.25
3      Tomato  Vegetable   0.33
4  Watermelon      Fruit   3.00
>>> 

GroupBy 对象根据列中的共享值将 DataFrame 行组织到存储桶中。假设我们对水果的平均价格和蔬菜的平均价格感兴趣。如果我们可以将“水果”行和“蔬菜”行分离到不同的组中，则执行计算会更容易。

让我们首先在 supermarket DataFrame 上调用 groupby 方法。我们需要向它传递一个列，pandas 将使用该列的值来创建组，该方法返回一个 GroupBy。GroupBy 对象与 DataFrame 是独立且不同的：

>>> groups = supermarket.groupby("Type")
>>> groups
<pandas.core.groupby.generic.DataFrameGroupBy object at 0x0000013B98496290>
>>>

get_group 方法接受组名称并返回包含相应行的 DataFrame。

>>> groups.get_group("Fruit")
         Item   Type  Price
0      Banana  Fruit   0.99
2      Orange  Fruit   0.25
4  Watermelon  Fruit   3.00
>>> groups.get_group("Vegetable")
       Item       Type  Price
1  Cucumber  Vegetable   1.25
3    Tomato  Vegetable   0.33
>>>

GroupBy 对象擅长聚合操作，比如很容易计算每组数值列的均值。

>>> groups.mean(numeric_only=True)
              Price
Type
Fruit      1.413333
Vegetable  0.790000
>>>

从数据集中创建 GroupBy 对象

Fortune1000.csv 文件是 2018 年财富 1000 强公司的集合。每行包括公司名称、收入、利润、员工人数、领域和行业：

>>> fortune = pd.read_csv('../data/fortune1000.csv')
>>> fortune
                             Company  Revenues  Profits  Employees             Sector                                  Industry
0                            Walmart  500343.0   9862.0    2300000          Retailing                     General Merchandisers
1                        Exxon Mobil  244363.0  19710.0      71200             Energy                        Petroleum Refining
2                 Berkshire Hathaway  242137.0  44940.0     377000         Financials  Insurance: Property and Casualty (Stock)
3                              Apple  229234.0  48351.0     123000         Technology               Computers, Office Equipment
4                 UnitedHealth Group  201159.0  10558.0     260000        Health Care   Health Care: Insurance and Managed Care
..                               ...       ...      ...        ...                ...                                       ...
995         SiteOne Landscape Supply    1862.0     54.6       3664        Wholesalers                  Wholesalers: Diversified
996  Charles River Laboratories Intl    1858.0    123.4      11800        Health Care  Health Care: Pharmacy and Other Services
997                        CoreLogic    1851.0    152.2       5900  Business Services                   Financial Data Services
998                     Ensign Group    1849.0     40.5      21301        Health Care           Health Care: Medical Facilities
999                              HCP    1848.0    414.2        190         Financials                               Real estate

[1000 rows x 6 columns]
>>>

一个领域可以有很多公司。例如，Apple 和 Amazon.com 都属于 “Technology” 行业。行业是领域内的子类别。例如，“Pipelines” 和 “Petroleum Refining” 行业属于 “Energy” 行业。

加入想要知道某个领域的平均收入，可以这样：

>>> retailing_mask = fortune["Sector"] == "Retailing"
>>> retail_companies = fortune[retailing_mask]
>>> retailing_mask.head()
0     True
1