Uzyskaj statystyki dla każdej grupy (takie jak count, mean, etc) za pomocą pandas GroupBy?

Szybka Odpowiedź:

Najprostszym sposobem na uzyskanie liczby wierszy dla grupy jest wywołanie .size(), które zwraca Series:

df.groupby(['col1','col2']).size()

Zwykle chcesz, aby ten wynik był DataFrame (zamiast Series), więc możesz to zrobić:

df.groupby(['col1', 'col2']).size().reset_index(name='counts')

Jeśli chcesz dowiedzieć się jak obliczyć liczbę wierszy i inne statystyki dla każdej grupy Czytaj dalej poniżej.

Szczegółowy przykład:

Rozważ następujący przykład ramki danych:

In [2]: df
Out[2]: 
  col1 col2  col3  col4  col5  col6
0    A    B  0.20 -0.61 -0.49  1.49
1    A    B -1.53 -1.01 -0.39  1.82
2    A    B -0.44  0.27  0.72  0.11
3    A    B  0.28 -1.32  0.38  0.18
4    C    D  0.12  0.59  0.81  0.66
5    C    D -0.13 -1.65 -1.64  0.50
6    C    D -1.42 -0.11 -0.18 -0.44
7    E    F -0.00  1.42 -0.26  1.17
8    E    F  0.91 -0.47  1.35 -0.34
9    G    H  1.48 -0.63 -1.14  0.17

Pierwszy użyjmy .size() aby uzyskać liczbę wierszy:

In [3]: df.groupby(['col1', 'col2']).size()
Out[3]: 
col1  col2
A     B       4
C     D       3
E     F       2
G     H       1
dtype: int64

Następnie użyjmy .size().reset_index(name='counts') aby uzyskać liczbę wierszy:

In [4]: df.groupby(['col1', 'col2']).size().reset_index(name='counts')
Out[4]: 
  col1 col2  counts
0    A    B       4
1    C    D       3
2    E    F       2
3    G    H       1

W Tym wyniki dla większej liczby statystyk

Gdy chcesz obliczyć statystyki na zgrupowanych danych, zwykle wygląda to tak:

In [5]: (df
   ...: .groupby(['col1', 'col2'])
   ...: .agg({
   ...:     'col3': ['mean', 'count'], 
   ...:     'col4': ['median', 'min', 'count']
   ...: }))
Out[5]: 
            col4                  col3      
          median   min count      mean count
col1 col2                                   
A    B    -0.810 -1.32     4 -0.372500     4
C    D    -0.110 -1.65     3 -0.476667     3
E    F     0.475 -0.47     2  0.455000     2
G    H    -0.630 -0.63     1  1.480000     1

Powyższy wynik jest nieco irytujący ze względu na zagnieżdżone etykiety kolumn, a także dlatego, że liczba wierszy jest obliczana na podstawie kolumny.

Aby uzyskać większą kontrolę nad wyjściem I zazwyczaj dzielę statystyki na poszczególne agregacje, które następnie łączę za pomocą join. Wygląda to tak:

In [6]: gb = df.groupby(['col1', 'col2'])
   ...: counts = gb.size().to_frame(name='counts')
   ...: (counts
   ...:  .join(gb.agg({'col3': 'mean'}).rename(columns={'col3': 'col3_mean'}))
   ...:  .join(gb.agg({'col4': 'median'}).rename(columns={'col4': 'col4_median'}))
   ...:  .join(gb.agg({'col4': 'min'}).rename(columns={'col4': 'col4_min'}))
   ...:  .reset_index()
   ...: )
   ...: 
Out[6]: 
  col1 col2  counts  col3_mean  col4_median  col4_min
0    A    B       4  -0.372500       -0.810     -1.32
1    C    D       3  -0.476667       -0.110     -1.65
2    E    F       2   0.455000        0.475     -0.47
3    G    H       1   1.480000       -0.630     -0.63

Przypisy

Kod użyty do wygenerowania danych testowych przedstawiono poniżej:

In [1]: import numpy as np
   ...: import pandas as pd 
   ...: 
   ...: keys = np.array([
   ...:         ['A', 'B'],
   ...:         ['A', 'B'],
   ...:         ['A', 'B'],
   ...:         ['A', 'B'],
   ...:         ['C', 'D'],
   ...:         ['C', 'D'],
   ...:         ['C', 'D'],
   ...:         ['E', 'F'],
   ...:         ['E', 'F'],
   ...:         ['G', 'H'] 
   ...:         ])
   ...: 
   ...: df = pd.DataFrame(
   ...:     np.hstack([keys,np.random.randn(10,4).round(2)]), 
   ...:     columns = ['col1', 'col2', 'col3', 'col4', 'col5', 'col6']
   ...: )
   ...: 
   ...: df[['col3', 'col4', 'col5', 'col6']] = \
   ...:     df[['col3', 'col4', 'col5', 'col6']].astype(float)
   ...: 

Zastrzeżenie:

Jeśli niektóre kolumny, które agregujesz, mają wartości null, to naprawdę chcesz patrzeć na liczbę wierszy grupy jako niezależną agregację dla każdej kolumny. W przeciwnym razie możesz być wprowadza w błąd, ile rekordów jest faktycznie używanych do obliczania rzeczy takich jak średnia, ponieważ pandy spadną NaN wpisy w obliczeniach średniej, nie mówiąc ci o tym.

Szwajcarski Nóż Wojskowy: GroupBy.describe

Zwraca count, mean, std, i inne przydatne statystyki dla poszczególnych grup.

df.groupby(['A', 'B'])['C'].describe()

           count  mean   std   min   25%   50%   75%   max
A   B                                                     
bar one      1.0  0.40   NaN  0.40  0.40  0.40  0.40  0.40
    three    1.0  2.24   NaN  2.24  2.24  2.24  2.24  2.24
    two      1.0 -0.98   NaN -0.98 -0.98 -0.98 -0.98 -0.98
foo one      2.0  1.36  0.58  0.95  1.15  1.36  1.56  1.76
    three    1.0 -0.15   NaN -0.15 -0.15 -0.15 -0.15 -0.15
    two      2.0  1.42  0.63  0.98  1.20  1.42  1.65  1.87

Aby uzyskać konkretne statystyki, po prostu wybierz je,

df.groupby(['A', 'B'])['C'].describe()[['count', 'mean']]

           count      mean
A   B                     
bar one      1.0  0.400157
    three    1.0  2.240893
    two      1.0 -0.977278
foo one      2.0  1.357070
    three    1.0 -0.151357
    two      2.0  1.423148

describe działa dla wielu kolumn (Zmień ['C'] na ['C', 'D'] - lub usuń go całkowicie - i zobacz, co się stanie, rezultatem jest multiindexed kolumned dataframe).

Otrzymujesz również różne statystyki dla danych ciągów. Oto przykład:

df2 = df.assign(D=list('aaabbccc')).sample(n=100, replace=True)

with pd.option_context('precision', 2):
    display(df2.groupby(['A', 'B'])
               .describe(include='all')
               .dropna(how='all', axis=1))

              C                                                   D                
          count  mean       std   min   25%   50%   75%   max count unique top freq
A   B                                                                              
bar one    14.0  0.40  5.76e-17  0.40  0.40  0.40  0.40  0.40    14      1   a   14
    three  14.0  2.24  4.61e-16  2.24  2.24  2.24  2.24  2.24    14      1   b   14
    two     9.0 -0.98  0.00e+00 -0.98 -0.98 -0.98 -0.98 -0.98     9      1   c    9
foo one    22.0  1.43  4.10e-01  0.95  0.95  1.76  1.76  1.76    22      2   a   13
    three  15.0 -0.15  0.00e+00 -0.15 -0.15 -0.15 -0.15 -0.15    15      1   c   15
    two    26.0  1.49  4.48e-01  0.98  0.98  1.87  1.87  1.87    26      2   b   15

Aby uzyskać więcej informacji, zobacz dokumentacja .

Pandy >= 1.1: DataFrame.value_counts

To jest dostępne z pandas 1.1 Jeśli chcesz tylko uchwycić rozmiar każdej grupy, to tnie GroupBy i jest szybsze.

df.value_counts(subset=['col1', 'col2'])

Minimalny Przykład

# Setup
np.random.seed(0)
df = pd.DataFrame({'A' : ['foo', 'bar', 'foo', 'bar',
                          'foo', 'bar', 'foo', 'foo'],
                   'B' : ['one', 'one', 'two', 'three',
                          'two', 'two', 'one', 'three'],
                   'C' : np.random.randn(8),
                   'D' : np.random.randn(8)})

df.value_counts(['A', 'B']) 

A    B    
foo  two      2
     one      2
     three    1
bar  two      1
     three    1
     one      1
dtype: int64

Inne Narzędzia Analizy Statystycznej

Jeśli nie znalazłeś tego, czego szukałeś powyżej, Podręcznik Użytkownika zawiera wyczerpującą listę obsługiwanych analiz statycznych, narzędzia korelacji i regresji.

Możemy to łatwo zrobić za pomocą groupby I count. Należy jednak pamiętać, aby użyć reset_index ().

df[['col1','col2','col3','col4']].groupby(['col1','col2']).count().\
reset_index()

Aby uzyskać wiele statystyk, zwiń indeks i zachowaj nazwy kolumn:

df = df.groupby(['col1','col2']).agg(['mean', 'count'])
df.columns = [ ' '.join(str(i) for i in col) for col in df.columns]
df.reset_index(inplace=True)
df

Produkuje:

Proszę wypróbować ten kod

new_column=df[['col1', 'col2', 'col3', 'col4']].groupby(['col1', 'col2']).count()
df['count_it']=new_column
df

Myślę, że kod doda kolumnę o nazwie "count it", która liczy każdą grupę

Utwórz obiekt group i wywołaj metody jak w poniższym przykładzie:

grp = df.groupby(['col1',  'col2',  'col3']) 

grp.max() 
grp.mean() 
grp.describe()