如果Pandas只是能把一些數據變成 dataframe 這樣優美的格式，那麼Pandas絕不會成為叱吒風雲的數據分析中心組件。因為在數據分析過程中，描述數據是通過一些列的統計指標實現的，分析結果也需要由具體的分組行為，對各組橫向縱向對比。
GroupBy 就是這樣的一個有力武器。事實上，SQL語言在Pandas出現的幾十年前就成為了高級數據分析人員的標準工具，很大一部分原因正是因為它有標準的SELECT xx FROM xx WHERE condition GROUP BY xx HAVING condition 範式。
感謝 Wes Mckinney及其團隊，除了SQL之外，我們多了一個更靈活、適應性更強的工具，而非困在SQL Shell或Python里步履沉重。
【示例】將一段SQL語句用Pandas表達
SQL
SELECT Column1, Column2, mean(Column3), sum(Column4)
FROM SomeTable
WHERE Condition 1
GROUP BY Column1, Column2
HAVING Condition2
Pandas
df [Condition1].groupby([Column1, Column2], as_index=False).agg({Column3: “mean”, Column4: “sum”}).filter(Condition2)
Group By: split – apply – combine
GroupBy可以分解為三個步驟：
- Splitting: 把數據按主鍵劃分為很多個小組
- Applying: 對每個小組獨立地使用函數
- Combining: 把所得到的結果組合
那麼，這一套行雲流水的動作是如何完成的呢？
- Splitting 由
groupby 實現
- Applying 由
agg、apply、transform、filter實現具體的操作
- Combining 由
concat 等實現
其中，在apply這一步，通常由以下四類操作：
- Aggregation:做一些統計性的計算
- Apply：做一些數據轉換
- Transformation:做一些數據處理方面的變換
- Filtration:做一些組級別的過濾
注意，這裏討論的apply,agg,transform,filter方法都是限制在 pandas.core.groupby.DataFrameGroupBy裏面，不能跟 pandas.core.groupby.DataFrame混淆。
先導入需要用到的模塊
import numpy as np
import pandas as pd
import sys, traceback
from itertools import chain
Part 1: Groupby 詳解
df_0 = pd.DataFrame({'A': list(chain(*[['foo', 'bar']*4])),
'B': ['one', 'one', 'two', 'three', 'two', 'two', 'one', 'three'],
'C': np.random.randn(8),
'D': np.random.randn(8)})
df_0
|
A |
B |
C |
D |
| 0 |
foo |
one |
1.145852 |
0.210586 |
| 1 |
bar |
one |
-1.343518 |
-2.064735 |
| 2 |
foo |
two |
0.544624 |
1.125505 |
| 3 |
bar |
three |
1.090288 |
-0.296160 |
| 4 |
foo |
two |
-1.854274 |
1.348597 |
| 5 |
bar |
two |
-0.246072 |
-0.598949 |
| 6 |
foo |
one |
0.348484 |
0.429300 |
| 7 |
bar |
three |
1.477379 |
0.917027 |
Talk 1：創建一個Groupby對象時應注意的問題
Good Practice
df_01 = df_0.copy()
df_01.groupby(["A", "B"], as_index=False, sort=False).agg({"C": "sum", "D": "mean"})
|
A |
B |
C |
D |
| 0 |
foo |
one |
1.494336 |
0.319943 |
| 1 |
bar |
one |
-1.343518 |
-2.064735 |
| 2 |
foo |
two |
-1.309649 |
1.237051 |
| 3 |
bar |
three |
2.567667 |
0.310433 |
| 4 |
bar |
two |
-0.246072 |
-0.598949 |
Poor Practice
df_02 = df_0.copy()
df_02.groupby(["A", "B"]).agg({"C": "sum", "D": "mean"}).reset_index()
|
A |
B |
C |
D |
| 0 |
bar |
one |
-1.343518 |
-2.064735 |
| 1 |
bar |
three |
2.567667 |
0.310433 |
| 2 |
bar |
two |
-0.246072 |
-0.598949 |
| 3 |
foo |
one |
1.494336 |
0.319943 |
| 4 |
foo |
two |
-1.309649 |
1.237051 |
- 直接使用
as_index=False 參數是一個好的習慣，因為如果dataframe非常巨大（比如達到GB以上規模）時，先生成一個Groupby對象，然後再調用reset_index()會有額外的時間消耗。
- 在任何涉及數據的操作中，排序都是非常”奢侈的”。如果只是單純的分組，不關心順序，在創建Groupby對象的時候應當關閉排序功能，因為這個功能默認是開啟的。尤其當你在較大的大數據集上作業時更當注意這個問題。
- 值得注意的是：groupby會按照數據在原始數據框內的順序安排它們在每個新組內的順序。這與是否指定排序無關。
如果要得到一個多層索引的數據框，使用默認的as_index=True即可，例如下面的例子：
df_03 = df_0.copy()
df_03.groupby(["A", "B"]).agg({"C": "sum", "D": "mean"})
|
|
C |
D |
| A |
B |
|
|
| bar |
one |
-1.343518 |
-2.064735 |
| three |
2.567667 |
0.310433 |
| two |
-0.246072 |
-0.598949 |
| foo |
one |
1.494336 |
0.319943 |
| two |
-1.309649 |
1.237051 |
注意，as_index僅當做aggregation操作時有效，如果是其他操作，例如transform，指定這個參數是無效的
df_04 = df_0.copy()
df_04.groupby(["A", "B"], as_index=True).transform(lambda x: x * x)
|
C |
D |
| 0 |
1.312976 |
0.044347 |
| 1 |
1.805040 |
4.263130 |
| 2 |
0.296616 |
1.266761 |
| 3 |
1.188727 |
0.087711 |
| 4 |
3.438331 |
1.818714 |
| 5 |
0.060552 |
0.358740 |
| 6 |
0.121441 |
0.184298 |
| 7 |
2.182650 |
0.840938 |
可以看到，我們得到了一個和df_0一樣長度的新dataframe，同時我們還希望A,B能成為索引，但這並沒有生效。
Talk 2：使用 pd.Grouper
pd.Grouper 比 groupby更強大、更靈活，它不僅支持普通的分組，還支持按照時間進行升採樣或降採樣分組
df_1 = pd.read_excel("dataset\sample-salesv3.xlsx")
df_1["date"] = pd.to_datetime(df_1["date"])
df_1.head()
|
account number |
name |
sku |
quantity |
unit price |
ext price |
date |
| 0 |
740150 |
Barton LLC |
B1-20000 |
39 |
86.69 |
3380.91 |
2014-01-01 07:21:51 |
| 1 |
714466 |
Trantow-Barrows |
S2-77896 |
-1 |
63.16 |
-63.16 |
2014-01-01 10:00:47 |
| 2 |
218895 |
Kulas Inc |
B1-69924 |
23 |
90.70 |
2086.10 |
2014-01-01 13:24:58 |
| 3 |
307599 |
Kassulke, Ondricka and Metz |
S1-65481 |
41 |
21.05 |
863.05 |
2014-01-01 15:05:22 |
| 4 |
412290 |
Jerde-Hilpert |
S2-34077 |
6 |
83.21 |
499.26 |
2014-01-01 23:26:55 |
【例子】計算每個月的ext price總和
df_1.set_index("date").resample("M")["ext price"].sum()
date
2014-01-31 185361.66
2014-02-28 146211.62
2014-03-31 203921.38
2014-04-30 174574.11
2014-05-31 165418.55
2014-06-30 174089.33
2014-07-31 191662.11
2014-08-31 153778.59
2014-09-30 168443.17
2014-10-31 171495.32
2014-11-30 119961.22
2014-12-31 163867.26
Freq: M, Name: ext price, dtype: float64
df_1.groupby(pd.Grouper(key="date", freq="M"))["ext price"].sum()
date
2014-01-31 185361.66
2014-02-28 146211.62
2014-03-31 203921.38
2014-04-30 174574.11
2014-05-31 165418.55
2014-06-30 174089.33
2014-07-31 191662.11
2014-08-31 153778.59
2014-09-30 168443.17
2014-10-31 171495.32
2014-11-30 119961.22
2014-12-31 163867.26
Freq: M, Name: ext price, dtype: float64
兩種寫法都得到了相同的結果，並且看上去第二種寫法似乎有點兒難以理解。再看一個例子
【例子】計算每個客戶每個月的ext price總和
df_1.set_index("date").groupby("name")["ext price"].resample("M").sum().head(20)
name date
Barton LLC 2014-01-31 6177.57
2014-02-28 12218.03
2014-03-31 3513.53
2014-04-30 11474.20
2014-05-31 10220.17
2014-06-30 10463.73
2014-07-31 6750.48
2014-08-31 17541.46
2014-09-30 14053.61
2014-10-31 9351.68
2014-11-30 4901.14
2014-12-31 2772.90
Cronin, Oberbrunner and Spencer 2014-01-31 1141.75
2014-02-28 13976.26
2014-03-31 11691.62
2014-04-30 3685.44
2014-05-31 6760.11
2014-06-30 5379.67
2014-07-31 6020.30
2014-08-31 5399.58
Name: ext price, dtype: float64
df_1.groupby(["name", pd.Grouper(key="date",freq="M")])["ext price"].sum().head(20)
name date
Barton LLC 2014-01-31 6177.57
2014-02-28 12218.03
2014-03-31 3513.53
2014-04-30 11474.20
2014-05-31 10220.17
2014-06-30 10463.73
2014-07-31 6750.48
2014-08-31 17541.46
2014-09-30 14053.61
2014-10-31 9351.68
2014-11-30 4901.14
2014-12-31 2772.90
Cronin, Oberbrunner and Spencer 2014-01-31 1141.75
2014-02-28 13976.26
2014-03-31 11691.62
2014-04-30 3685.44
2014-05-31 6760.11
2014-06-30 5379.67
2014-07-31 6020.30
2014-08-31 5399.58
Name: ext price, dtype: float64
這次，第二種寫法遠比第一種寫法清爽、便於理解。這種按照特定字段和時間採樣的混合分組，請優先考慮用pd.Grouper
Talk 3: 如何訪問組
如果只是做完拆分動作，沒有做後續的apply，得到的是一個groupby對象。這裏討論下如何訪問拆分出來的組
主要方法為：
df_2 = pd.DataFrame({'X': ['A', 'B', 'A', 'B'], 'Y': [1, 4, 3, 2]})
df_2
|
X |
Y |
| 0 |
A |
1 |
| 1 |
B |
4 |
| 2 |
A |
3 |
| 3 |
B |
2 |
- 使用
groups方法可以看到所有的組
df_2.groupby("X").groups
{'A': Int64Index([0, 2], dtype='int64'),
'B': Int64Index([1, 3], dtype='int64')}
- 使用
get_group方法可以訪問到指定的組
df_2.groupby("X", as_index=True).get_group(name="A")
注意，get_group方法中，name參數只能傳遞單個str，不可以傳入list，儘管Pandas中的其他地方常常能看到這類傳參。如果是多列做主鍵的拆分，可以傳入tuple。
- 迭代遍歷
for name, group in df_2.groupby("X"):
print(name)
print(group,"\n")
A
X Y
0 A 1
2 A 3
B
X Y
1 B 4
3 B 2
這裏介紹一個小技巧，如果你得到一個<pandas.core.groupby.groupby.DataFrameGroupBy object對象，想要將它還原成其原本的 dataframe ，有一個非常簡便的方法值得一提:
gropbyed_object.apply(lambda x: x)
囿於篇幅，就不對API逐個解釋了，這裏僅指出最容易忽視也最容易出錯的三個參數
| 參數 |
注意事項 |
| level |
僅作用於層次化索引的數據框時有效 |
| as_index |
僅對數據框做 agg 操作時有效， |
| group_keys |
僅在調用 apply 時有效 |
Part 2: Apply 階段詳解
拆分完成后，可以對各個組做一些的操作，總體說來可以分為以下四類：
- aggregation
- apply
- transform
- filter
先總括地對比下這四類操作
- 任何能將一個
Series壓縮成一個標量值的都是agg操作，例如求和、求均值、求極值等統計計算
- 對數據框或者
groupby對象做變換，得到子集或一個新的數據框的操作是apply或transform
- 對聚合結果按標準過濾的操作是
filter
apply 和 transform有那麼一點相似，下文會重點剖析二者
Talk 4：agg VS apply
agg和apply都可以對特定列的數據傳入函數，並且依照函數進行計算。但是區別在於，agg更加靈活高效，可以一次完成操作。而apply需要輾轉多次才能完成相同操作。
df_3 = pd.DataFrame({"name":["Foo", "Bar", "Foo", "Bar"], "score":[80,80,95,70]})
df_3
|
name |
score |
| 0 |
Foo |
80 |
| 1 |
Bar |
80 |
| 2 |
Foo |
95 |
| 3 |
Bar |
70 |
我們需要計算出每個人的總分、最高分、最低分
（1）使用apply方法
df_3.groupby("name", sort=False).score.apply(lambda x: x.sum())
name
Foo 175
Bar 150
Name: score, dtype: int64
df_3.groupby("name", sort=False).score.apply(lambda x: x.max())
name
Foo 95
Bar 80
Name: score, dtype: int64
df_3.groupby("name", sort=False).score.apply(lambda x: x.min())
name
Foo 80
Bar 70
Name: score, dtype: int64
顯然，我們輾轉操作了3次，並且還需要額外一次操作（將所得到的三個值粘合起來）
（2）使用agg方法
df_3.groupby("name", sort=False).agg({"score": [np.sum, np.max, np.min]})
|
score |
|
sum |
amax |
amin |
| name |
|
|
|
| Foo |
175 |
95 |
80 |
| Bar |
150 |
80 |
70 |
小結 agg一次可以對多個列獨立地調用不同的函數，而apply一次只能對多個列調用相同的一個函數。
Talk 5：transform VS agg
transform作用於數據框自身，並且返回變換后的值。返回的對象和原對象擁有相同數目的行，但可以擴展列。注意返回的對象不是就地修改了原對象，而是創建了一個新對象。也就是說原對象沒變。
df_4 = pd.DataFrame({'A': range(3), 'B': range(1, 4)})
df_4
df_4.transform(lambda x: x + 1)
可以對數據框先分組，然後對各組賦予一個變換，例如元素自增1。下面這個例子意義不大，可以直接做變換。
df_2.groupby("X").transform(lambda x: x + 1)
下面舉一個更實際的例子
df_5 = pd.read_csv(r"dataset\tips.csv")
df_5.head()
|
total_bill |
tip |
sex |
smoker |
day |
time |
size |
| 0 |
16.99 |
1.01 |
Female |
No |
Sun |
Dinner |
2 |
| 1 |
10.34 |
1.66 |
Male |
No |
Sun |
Dinner |
3 |
| 2 |
21.01 |
3.50 |
Male |
No |
Sun |
Dinner |
3 |
| 3 |
23.68 |
3.31 |
Male |
No |
Sun |
Dinner |
2 |
| 4 |
24.59 |
3.61 |
Female |
No |
Sun |
Dinner |
4 |
現在我們想知道每天，各數值列的均值
對比以下 agg 和 transform 兩種操作
df_5.groupby("day").aggregate("mean")
|
total_bill |
tip |
size |
| day |
|
|
|
| Fri |
17.151579 |
2.734737 |
2.105263 |
| Sat |
20.441379 |
2.993103 |
2.517241 |
| Sun |
21.410000 |
3.255132 |
2.842105 |
| Thur |
17.682742 |
2.771452 |
2.451613 |
df_5.groupby('day').transform(lambda x : x.mean()).total_bill.unique()
array([21.41 , 20.44137931, 17.68274194, 17.15157895])
觀察得知，兩種操作是相同的，都是對各個小組求均值。所不同的是，agg方法僅返回4行（即壓縮后的統計值），而transform返回一個和原數據框同樣長度的新數據框。
Talk 6：transform VS apply
transform 和 apply 的不同主要體現在兩方面：
apply 對於每個組，都是同時在所有列上面調用函數；而 transform 是對每個組，依次在每一列上調用函數 - 由上面的工作方法決定了：
apply 可以返回標量、Series、dataframe——取決於你在什麼上面調用了apply 方法；而 transform 只能返回一個類似於數組的序列，例如一維的 Series、array、list，並且最重要的是，要和原始組有同樣的長度，否則會引發錯誤。
【例子】通過打印對象的類型來對比兩種方法的工作對象
df_6 = pd.DataFrame({'State':['Texas', 'Texas', 'Florida', 'Florida'],
'a':[4,5,1,3], 'b':[6,10,3,11]})
df_6
|
State |
a |
b |
| 0 |
Texas |
4 |
6 |
| 1 |
Texas |
5 |
10 |
| 2 |
Florida |
1 |
3 |
| 3 |
Florida |
3 |
11 |
def inspect(x):
print(type(x))
print(x)
df_6.groupby("State").apply(inspect)
<class 'pandas.core.frame.DataFrame'>
State a b
2 Florida 1 3
3 Florida 3 11
<class 'pandas.core.frame.DataFrame'>
State a b
2 Florida 1 3
3 Florida 3 11
<class 'pandas.core.frame.DataFrame'>
State a b
0 Texas 4 6
1 Texas 5 10
從打印結果我們清晰地看到兩點：apply 每次作用的對象是一個 dataframe，其次第一個組被計算了兩次，這是因為pandas會通過這種機制來對比是否有更快的方式完成後面剩下組的計算。
df_6.groupby("State").transform(inspect)
<class 'pandas.core.series.Series'>
2 1
3 3
Name: a, dtype: int64
<class 'pandas.core.series.Series'>
2 3
3 11
Name: b, dtype: int64
<class 'pandas.core.frame.DataFrame'>
a b
2 1 3
3 3 11
<class 'pandas.core.series.Series'>
0 4
1 5
Name: a, dtype: int64
<class 'pandas.core.series.Series'>
0 6
1 10
Name: b, dtype: int64
從打印結果我們也清晰地看到兩點：transform每次只計算一列；會出現計算了一個組整體的情況，這有點令人費解，待研究。
從上面的對比，我們直接得到了一個有用的警示：不要傳一個同時涉及到多列的函數給transform方法，因為那麼做只會得到錯誤。例如下面的代碼所示：
def subtract(x):
return x["a"] - x["b"]
try:
df_6.groupby("State").transform(subtract)
except Exception:
exc_type, exc_value, exc_traceback = sys.exc_info()
formatted_lines = traceback.format_exc().splitlines()
print(formatted_lines[-1])
KeyError: ('a', 'occurred at index a')
另一個警示則是：在使用 transform 方法的時候，不要去試圖修改返回結果的長度，那樣不僅會引發錯誤，而且traceback的信息非常隱晦，很可能你需要花很長時間才能真正意識到錯誤所在。
def return_more(x):
return np.arange(3)
try:
df_6.groupby("State").transform(return_more)
except Exception:
exc_type, exc_value, exc_traceback = sys.exc_info()
formatted_lines = traceback.format_exc().splitlines()
print(formatted_lines[-1])
ValueError: Length mismatch: Expected axis has 6 elements, new values have 4 elements
這個報錯信息有點彆扭，期待返回6個元素，但是返回的結果只有4個元素；其實，應該說預期的返回為4個元素，但是現在卻返回6個元素，這樣比較容易理解錯誤所在。
最後，讓我們以一條有用的經驗結束這個talk：如果你確信自己想要的操作時同時作用於多列，並且速度最好還很快，請不要用transform方法，Talk9有一個這方面的好例子。
Talk 7：agg 用法總結
（1）一次對所有列調用多個函數
df_0.groupby("A").agg([np.sum, np.mean, np.min])
|
C |
D |
|
sum |
mean |
amin |
sum |
mean |
amin |
| A |
|
|
|
|
|
|
| bar |
0.978077 |
0.244519 |
-1.343518 |
-2.042817 |
-0.510704 |
-2.064735 |
| foo |
0.184686 |
0.046172 |
-1.854274 |
3.113988 |
0.778497 |
0.210586 |
（2）一次對特定列調用多個函數
df_0.groupby("A")["C"].agg([np.sum, np.mean, np.min])
|
sum |
mean |
amin |
| A |
|
|
|
| bar |
0.978077 |
0.244519 |
-1.343518 |
| foo |
0.184686 |
0.046172 |
-1.854274 |
（3）對不同列調用不同函數
df_0.groupby("A").agg({"C": [np.sum, np.mean], "D": [np.max, np.min]})
|
C |
D |
|
sum |
mean |
amax |
amin |
| A |
|
|
|
|
| bar |
0.978077 |
0.244519 |
0.917027 |
-2.064735 |
| foo |
0.184686 |
0.046172 |
1.348597 |
0.210586 |
df_0.groupby("A").agg({"C": "sum", "D": "min"})
|
C |
D |
| A |
|
|
| bar |
0.978077 |
-2.064735 |
| foo |
0.184686 |
0.210586 |
（4）對同一列調用不同函數，並且直接重命名
df_0.groupby("A")["C"].agg([("Largest", "max"), ("Smallest", "min")])
|
Largest |
Smallest |
| A |
|
|
| bar |
1.477379 |
-1.343518 |
| foo |
1.145852 |
-1.854274 |
（5）對多個列調用同一個函數
agg_keys = {}.fromkeys(["C", "D"], "sum")
df_0.groupby("A").agg(agg_keys)
|
C |
D |
| A |
|
|
| bar |
0.978077 |
-2.042817 |
| foo |
0.184686 |
3.113988 |
（6）注意agg會忽略缺失值，這在計數時需要加以注意
df_7 = pd.DataFrame({"ID":["A","A","A","B","B"], "Num": [1,np.nan, 1,1,1]})
df_7
|
ID |
Num |
| 0 |
A |
1.0 |
| 1 |
A |
NaN |
| 2 |
A |
1.0 |
| 3 |
B |
1.0 |
| 4 |
B |
1.0 |
df_7.groupby("ID").agg({"Num":"count"})
注意：Pandas 中的 count,sum,mean,median,std,var,min,max等函數都用C語言優化過。所以，還是那句話，如果你在大數據集上使用agg，最好使用這些函數而非從numpy那裡借用np.sum等方法，一個緩慢的程序是由每一步的緩慢積累而成的。
Talk 8：Filtration 易錯點剖析
通常，在對一個 dataframe 分組並且完成既定的操作之後，可以直接返回結果，也可以視需求對結果作一層過濾。這個過濾一般都是指 filter 操作，但是務必要理解清楚自己到底需要對組作過濾還是對組內的每一行作過濾。這個Talk就來討論過濾這個話題。
【例子】找出每門課程考試分數低於這門課程平均分的學生
df_8 = pd.DataFrame({"Subject": list(chain(*[["Math"]*3,["Computer"]*3])),
"Student": list(chain(*[["Chan", "Ida", "Ada"]*2])),
"Score": [80,90,85,90,85,95]})
df_8
|
Subject |
Student |
Score |
| 0 |
Math |
Chan |
80 |
| 1 |
Math |
Ida |
90 |
| 2 |
Math |
Ada |
85 |
| 3 |
Computer |
Chan |
90 |
| 4 |
Computer |
Ida |
85 |
| 5 |
Computer |
Ada |
95 |
這樣一個需求是否適合用 filter 來處理呢？我們試試看：
try:
df_8.groupby("Subject").filter(lambda x: x["Score"] < x["Score"].mean())
except Exception:
exc_type, exc_value, exc_traceback = sys.exc_info()
formatted_lines = traceback.format_exc().splitlines()
print(formatted_lines[-1])
TypeError: filter function returned a Series, but expected a scalar bool
顯然不行，因為 filter 實際上做的事情是要麼留下這個組，要麼過濾掉這個組。我們在這裏弄混淆的東西，和我們初學 SQL時弄混 WHERE 和 HAVING 是一回事。就像需要記住 HAVING 是一個組內語法一樣，請記住 filter 是一個組內方法。
我們先解決這個例子，正確的做法如下:
df_8.groupby("Subject").apply(lambda g: g[g.Score < g.Score.mean()])
|
|
Subject |
Student |
Score |
| Subject |
|
|
|
|
| Computer |
4 |
Computer |
Ida |
85 |
| Math |
0 |
Math |
Chan |
80 |
而關於 filter，我們援引官方文檔上的例子作為對比
df_9 = pd.DataFrame({'A' : ['foo', 'bar', 'foo', 'bar',
'foo', 'bar'],
'B' : [1, 2, 3, 4, 5, 6],
'C' : [2.0, 5., 8., 1., 2., 9.]})
df_9
|
A |
B |
C |
| 0 |
foo |
1 |
2.0 |
| 1 |
bar |
2 |
5.0 |
| 2 |
foo |
3 |
8.0 |
| 3 |
bar |
4 |
1.0 |
| 4 |
foo |
5 |
2.0 |
| 5 |
bar |
6 |
9.0 |
df_9.groupby('A').filter(lambda x: x['B'].mean() > 3.)
|
A |
B |
C |
| 1 |
bar |
2 |
5.0 |
| 3 |
bar |
4 |
1.0 |
| 5 |
bar |
6 |
9.0 |
Part 3：groupby 應用舉例
Talk 9：組內缺失值填充
df_10 = pd.DataFrame({"ID":["A","A","A","B","B","B"], "Num": [100,np.nan,300,np.nan,500,600]})
df_10
|
ID |
Num |
| 0 |
A |
100.0 |
| 1 |
A |
NaN |
| 2 |
A |
300.0 |
| 3 |
B |
NaN |
| 4 |
B |
500.0 |
| 5 |
B |
600.0 |
df_10.groupby("ID", as_index=False).Num.transform(lambda x: x.fillna(method="ffill")).transform(lambda x: x.fillna(method="bfill"))
|
Num |
| 0 |
100.0 |
| 1 |
100.0 |
| 2 |
300.0 |
| 3 |
500.0 |
| 4 |
500.0 |
| 5 |
600.0 |
如果dataframe比較大（超過1GB）,transform + lambda方法會比較慢，可以用下面這個方法，速度約比上面的組合快100倍。
df_10.groupby("ID",as_index=False).ffill().groupby("ID",as_index=False).bfill()
|
ID |
Num |
| 0 |
A |
100.0 |
| 1 |
A |
100.0 |
| 2 |
A |
300.0 |
| 3 |
B |
500.0 |
| 4 |
B |
500.0 |
| 5 |
B |
600.0 |
參考資料：
本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理
【其他文章推薦】
※帶您來了解什麼是 USB CONNECTOR ?
※自行創業 缺乏曝光? 下一步"網站設計"幫您第一時間規劃公司的門面形象
※如何讓商品強力曝光呢? 網頁設計公司幫您建置最吸引人的網站，提高曝光率!!
※綠能、環保無空污,成為電動車最新代名詞，目前市場使用率逐漸普及化
※廣告預算用在刀口上，網站設計公司幫您達到更多曝光效益
