我有一个数据框df，我使用其中的几列来groupby：
df['col1','col2','col3','col4'].groupby(['col1','col2']).mean()
通过上述方式，我几乎得到了我需要的表格（数据框）。缺少的是包含每个组中的行数的附加列。换句话说，我的意思是，但我也想知道有多少数字被用来获得这些手段。例如，第一组有 8 个值，第二组有 10 个，依此类推。
简而言之：如何获得数据框的分组统计信息？
问问题
1341426 次
8 回答
1288
快速回答：
获取每组行数的最简单方法是调用.size()，它返回一个Series：
df.groupby(['col1','col2']).size()
通常你希望这个结果作为 a DataFrame（而不是 a Series）所以你可以这样做：
df.groupby(['col1', 'col2']).size().reset_index(name='counts')
如果您想了解如何计算每个组的行数和其他统计信息，请继续阅读下文。
详细示例：
考虑以下示例数据框：
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
首先让我们.size()用来获取行数：
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
然后让我们.size().reset_index(name='counts')用来获取行数：
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
包括更多统计数据的结果
当您要计算分组数据的统计信息时，通常如下所示：
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
上面的结果有点烦人，因为嵌套的列标签，也因为行数是基于每列的。
为了更好地控制输出，我通常将统计信息拆分为单独的聚合，然后使用join. 它看起来像这样：
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
脚注
用于生成测试数据的代码如下所示：
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)
...:
免责声明：
如果您正在聚合的某些列具有空值，那么您确实希望将组行数视为每列的独立聚合。否则，您可能会被实际用于计算平均值之类的记录的数量误导，因为 pandas 会NaN在不告诉您的情况下删除平均值计算中的条目。
于 2015-09-26T19:34:51.527 回答
601
在groupby对象上，该agg函数可以采用一个列表来一次应用多个聚合方法。这应该会给你你需要的结果：
df[['col1', 'col2', 'col3', 'col4']].groupby(['col1', 'col2']).agg(['mean', 'count'])
于 2013-10-15T15:49:28.347 回答
101
瑞士军刀：GroupBy.describe
每组返回count、mean、和其他有用的统计信息。std
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
要获得特定的统计数据，只需选择它们，
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
注意：如果您只需要计算 1 或 2 个统计数据，那么使用它可能会更快
groupby.agg，只需计算这些列，否则您正在执行浪费的计算。
describe适用于多个列（更改['C']为['C', 'D']- 或完全删除它 - 看看会发生什么，结果是一个 MultiIndexed 列数据框）。
您还可以获得字符串数据的不同统计信息。这是一个例子，
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
有关详细信息，请参阅文档。
熊猫> = 1.1：DataFrame.value_counts
如果您只想捕获每个组的大小，这可以从 pandas 1.1 中获得，这样可以减少GroupBy并且更快。
df.value_counts(subset=['col1', 'col2'])
最小的例子
# 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
其他统计分析工具
如果您在上面没有找到您要查找的内容，则用户指南提供了受支持的静态分析、相关性和回归工具的综合列表。
于 2019-04-07T22:38:50.067 回答
13
要获取多个统计信息，请折叠索引并保留列名：
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
产生：
于 2019-11-13T01:31:03.220 回答
11
我们可以通过使用 groupby 和 count 轻松做到这一点。但是，我们应该记住使用 reset_index()。
df[['col1','col2','col3','col4']].groupby(['col1','col2']).count().\
reset_index()
于 2017-11-27T09:17:56.293 回答
5
请尝试此代码
new_column=df[['col1', 'col2', 'col3', 'col4']].groupby(['col1', 'col2']).count()
df['count_it']=new_column
df
我认为该代码将添加一个名为“count it”的列，每个组的计数
于 2020-02-08T01:34:26.597 回答
3
创建一个组对象并调用如下示例的方法：
grp = df.groupby(['col1', 'col2', 'col3'])
grp.max()
grp.mean()
grp.describe()
于 2019-04-11T14:05:06.153 回答
1
If you are familiar with tidyverse R packages, here is a way to do it in python:
from datar.all import tibble, rnorm, f, group_by, summarise, mean, n, rep
df = tibble(
col1=rep(['A', 'B'], 5),
col2=rep(['C', 'D'], each=5),
col3=rnorm(10),
col4=rnorm(10)
)
df >> group_by(f.col1, f.col2) >> summarise(
count=n(),
col3_mean=mean(f.col3),
col4_mean=mean(f.col4)
)
col1 col2 n mean_col3 mean_col4
0 A C 3 -0.516402 0.468454
1 A D 2 -0.248848 0.979655
2 B C 2 0.545518 -0.966536
3 B D 3 -0.349836 -0.915293
[Groups: ['col1'] (n=2)]
I am the author of the datar package. Please feel free to submit issues if you have any questions about using it.
于 2021-04-29T17:51:36.980 回答