Pandas分組聚合 - 高階

自定義聚合方式

在分組聚合的split-apply-combine過程中，apply是核心。Python 本身有高階函式 apply() 來實現它

自定義聚合方式：aggregate()，或agg()

之前的聚合方式，所有列只能應用一個相同的聚合函式

agg()自定義聚合方式的優勢：

聚合引數是列表
    對資料每列應用多個相同的聚合函式
聚合引數是字典
    對資料的每列應用一個或多個不同的聚合函式
聚合引數是自定義函式
    對資料進行一些複雜的操作
agg 方法將一個函式使用在一個數列上，然後返回一個標量的值。也就是說agg每次傳入的是一列資料，對其聚合後返回標量
 

自定義聚合方式可以：

每個列應用不同的聚合方式
一個列應用多個聚合方式

df = pd.DataFrame({
    'name': ['張三','李四','王五','李四','王五','王五','趙六'],
    'chinese': [18, 53, 67, 63, 59, 70, 94],
    'math': [82, 63, 41, 59, 46, 39, 58],
    'english': [68, 52, 80, 86, 60, 98, 64],
    'test': ['一','一','一','二','二','三','一']
})
# 使用自定義聚合方式實現
df.groupby('name').agg(sum)
#聚合引數是列表
df.groupby('name').agg([sum, 'mean', np.min])  # 列表引數函式可以有多種不同寫法：直接寫函式名（容易出錯），函式名寫成字串，ndarray陣列函式
# 將聚合列索引改為自定義方式，元組實現
df.groupby('name')['chinese', 'math'].agg([('求和', sum), ('平均值', 'mean'), ('最小值', min)])
# 語文列聚合函式：求和
df.groupby('name').agg({'chinese': sum})
# 選中的多個列，每列都應用不同的多個聚合函式
df.groupby('name').agg({'chinese': [sum, 'mean'], 'math': [np.min, np.max]})

聚合引數是自定義函式

用於一些較為複雜的聚合工作

• 自定義聚合函式要比系統自帶的、經過優化的函式慢得多。
• 因為在構造中間分組資料塊時存在非常大的開銷（函式呼叫、資料重排等）

def aaa(x):
    return x.max() - x.min()

df.groupby('name').agg(aaa)
# 匿名函式實現
df.groupby('name').agg(lambda x: x.max() - x.min())

#例：返回 DataFrame 某一列中 n 個最大值
# 定一個 top 函式，返回 DataFrame 某一列中 n 個最大值
def top(df, n=2, column='chinese'):
    return df.sort_values(by=column, ascending=False)[:n]
# 自定義函式分組聚合引數
df.groupby('name').apply(top, n=1, column='math')

總結在學習apply函式用法時候，他是可以作用dataframe.series，所以
def bbb(x):
    return x['chinese'].mean() >= 60
df.groupby('name').agg(bbb)  # 報錯
df.groupby('name').apply(bbb)  # 返回seies
def bbb(x):
    return x.mean() >= 60
df.groupby('name').agg(bbb)  # 返回datafrmae布林值
df.groupby('name').apply(bbb)  # 返回dataframe布林值

過濾資料

例子：輸出所有語文考試平均分及格的資料

def bbb(x):
    return x.mean() >= 60

df.groupby('name').agg(bbb)  # 返回布林值
df.groupby('name').filter(bbb)
#輸出所有語文平均分及格的學生
df.groupby('name').filter(bbb).groupby('name').mean()

使用 transform 函式對所有的資料元素進行轉換計算

def ccc(x):
    return x + 10

df.groupby('name').transform(ccc)

# 使用向量化運算方式實現
df[['chinese', 'math', 'english']] + 10