在日常的数据分析中，经常需要将数据根据某个（多个）字段划分为不同的群体（group）进行分析，如电商领域将全国的总销售额根据省份进行划分，分析各省销售额的变化情况，社会交友领域将客户根据画像（性别、年龄）进行细分，研究客户的使用情况和偏好等。在Pandas中，上述的数据处理操作主要使用groupby完成，这样一篇教学文章就介绍一下groupby的基本原理及对应的agg、transform和apply操作。
为了后续图解的方便，选用模拟*成的10个样本数据，代码和数据如下：
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)})
groupby的基本原理
在Pandas中，实现分组操作的代码很简单，仅需一行代码，在这里，将上面的数据集遵从company字段进行划分：
In [5]: group = data.groupby(“company”)将上述代码输入ipython后，会得到一个DataFrameGroupBy对象
In [6]: groupOut[6]: 那这个*成的DataFrameGroupBy是啥呢？对data进行了groupby后发*了什么？ipython所返回的结果是其内存地址，并不利于直观地理解，为了看看group内部到底是什么，这里把group转换成list的形式来看一看：
In [8]: list(group)Out[8]:[('A', company salary age 3 A 20 22 6 A 23 33), ('B', company salary age 4 B 10 17 5 B 21 40 8 B 8 30), ('C', company salary age 0 C 43 35 1 C 17 25 2 C 8 30 7 C 49 19)]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（这里是遵从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，整个过程可以图解如下：
总结来探讨，groupby的过程就是将原有的DataFrame遵从groupby的字段（这里是company），划分为若干个分组DataFrame，被分为多少个组就有多少个分组DataFrame。所以说，在groupby之后的一系列操作（如agg、apply等），均是基于分组DataFrame的操作。理解了这点，也就基本摸清了Pandas中groupby操作的主要原理。下面来讲讲groupby之后的经常可以看见操作。
agg分组聚合
聚合操作是groupby后经常可以看见的操作，会写SQL的朋友对此应该是非常熟悉了。聚合操作可以用来求和、均值、最大值、最小值等，下面的表格列出了Pandas中经常可以看见的聚合操作。
针对样例数据集，如果我想计算不同公司员工的平均年龄和平均薪水，可以遵从下方的代码进行：
In [12]: data.groupby(“company”).agg('mean')Out[12]: salary agecompanyA 21.50 27.50B 13.00 29.00C 29.25 27.25如果想对针对不同的列求不同的值，比如要计算不同公司员工的平均年龄以及薪水的中位数，可以利用字典指定进行聚合操作：
In [17]: data.groupby('company').agg({'salary':'median','age':'mean'})Out[17]: salary agecompanyA 21.5 27.50B 10.0 29.00C 30.0 27.25agg聚合过程可以图解如下（第二个例子为例）：
transform
transform是一种什么数据操作？和agg有什么区别呢？为了更好地理解transform和agg的不同，下面从实际的应用场景出发进行对比。
在上面的agg中，咱们学会了如何求不同公司员工的平均薪水，如果现在需要在原数据集中新增一列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），该怎么实现呢？如果遵从正常的步骤来计算，需要先求得不同公司的平均薪水，然后遵从员工和公司的对应关系填充到对应的位置，不用transform的话，实现代码如下：
In [21]: avg_salary_dict = data.groupby('company')['salary'].mean().to_dict()In [22]: data['avg_salary'] = data['company'].map(avg_salary_dict)In [23]: dataOut[23]: company salary age avg_salary0 C 43 35 29.251 C 17 25 29.252 C 8 30 29.253 A 20 22 21.504 B 10 17 13.005 B 21 40 13.006 A 23 33 21.507 C 49 19 29.258 B 8 30 13.00如果使用transform的话，仅需要一行代码：
In [24]: data['avg_salary'] = data.groupby('company')['salary'].transform('mean')In [25]: dataOut[25]: company salary age avg_salary0 C 43 35 29.251 C 17 25 29.252 C 8 30 29.253 A 20 22 21.504 B 10 17 13.005 B 21 40 13.006 A 23 33 21.507 C 49 19 29.258 B 8 30 13.00还是以图解的方式来看看进行groupby后transform的实现过程（为了更直观展示，图中加入了company列，实际遵从上面的代码只有salary列）：
图中的大方框是transform和agg所不一样的地方，对agg而言，会计算得到A，B，C公司对应的均值并直接返回，但对transform而言，则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，组内求完均值后会遵从原索引的顺序返回结果，如果有不怎么理解的可以拿这张图和agg那张对比一下。
apply
apply应该是各位的老朋友了，它相比agg和transform而言更加灵活，能够传入任意自定义的函数，实现复杂的数据操作。在Pandas数据处理三板斧，你会几板？中，介绍了apply的使用，那在groupby后使用apply和之前所介绍的有什么区别呢？
区别是有的，但是整个实现原理是基本一致的。两者的区别在于，对于groupby后的apply，以分组后的分组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。还是以一个案例来介绍groupby后的apply用法。
假设我现在需要获取各个公司年龄最大的员工的数据，该怎么实现呢？可以用以下代码实现：
In [38]: def get_oldest_staff(x): …: df = x.sort_values(by = 'age',ascending=True) …: return df.iloc[-1,:] …:In [39]: oldest_staff = data.groupby('company',as_index=False).apply(get_oldest_staff)In [40]: oldest_staffOut[40]: company salary age 0 A 23 33 1 B 21 40 2 C 43 35 这样便得到了每个公司年龄最大的员工的数据，整个流程图解如下：
可以看到，此处的apply和上篇文章中所介绍的作用原理基本一致，只是传入函数的参数由Series变为了此处的分组DataFrame。
最后，关于apply的使用，这里有个小建议，虽然说apply拥有更大的灵活性，但apply的运行效率会比agg和transform更慢。所以，groupby之后能用agg和transform解决的问题还是优先使用这两个方法，实在解决不了了才考虑使用apply进行操作。
还没有评论，来说两句吧...