Pandas Groupby —解释

如何有效利用熊猫的Groupby功能

Pandas是一个超级强劲的Python数据分析库，可加快项目的预处理步骤。 在本文中，我将通过许多示例介绍Pandas的groupby功能，这些示例可协助您全面了解该功能。

> Photo by Markus Spiske on Unsplash

Groupby是一种通用且易于使用的功能，有助于获得数据概览。 它使探索数据集和揭示变量之间的潜在关系变得更加容易。

最好通过示例解释Groupby。 我将使用Kaggle上可用的客户流失数据集。 我只参与了其中的一部分，足以显示groupby函数的每个细节。

与往常一样，我们从导入numpy和pandas开始：

import pandas as pd
import numpy as np

让我们快速浏览一下数据集：

df.shape(7043, 9)
df.head()

数据集包括8个有关客户以及客户是否离职（即离开公司）的功能。

在将groupby函数应用于数据集之前，让我们看一个直观的示例。 可视化始终是解释概念的好方法。 假设我们有两个功能。 一种是颜色，这是一种分类特征，另一种是数字特征，即值。 我们要按颜色对值进行分组，并计算不同颜色的值的平均值（或任何其他聚合度）。 然后最后根据平均值对颜色进行排序。 下图显示了此过程的步骤。

让我们回到我们的数据集。 要查看性别在搅动中是否起作用，我们可以选择性别和用户流失列以及分组性别。 然后我们可以应用均值函数。

男性和女性的流失率超级接近。

如果我们不选择列，而是直接将groupby应用于数据框，则将根据聚合函数计算所有数字列：

男性和女性的平均所有数字特征似乎都大致一样。

我们还可以通过添加sort_values函数对结果进行排序：

默认情况下，它以升序排序。 我们可以通过将ascending参数设置为false来更改它。

具有光纤互联网服务的客户比其他客户更容易流失。

我们可以通过在方括号中传递列名称来基于多个列进行分组：

“合同”列具有3个类别，”老年人”列具有2个类别，因此我们共有6个组。 对于每个组，计算平均”搅动”率。

让我们看看每月的费用是否取决于合同类型。 我们需要从数据聚焦获取”合同”和”每月费用”列，并按”合同”分组，并将均值函数应用于结果。

正如预期的那样，长期合同的平均每月费用较低。

我们可以根据任务应用其他aggeragate函数。 例如，我们可能希望查看不同互联网服务类型的合同类型分布。 由于这两个都是分类变量，因此我们可以应用count函数：

由于我们应用了计数功能，因此返回的数据框包括所有其他列，由于无论数据框如何，它都可以计数值。 在所有列上，值的数量都是一样的，因此我们只需选择一列即可查看值。 关于Pandas的一件好事是，完成一项任务一般不只一种方法。

这三行返回以下输出：

您还可以执行以下一样任务，但是返回的对象将是一个数据框：

请注意，某些聚合函数需要数值。 例如，如果我们只有分类变量并尝试应用均值函数，则会收到错误消息：

我们可以使示例多样化，但基本逻辑是一样的。 Groupby函数可以用作探索性数据分析过程中的第一个函数，由于它使我们对数据聚焦变量之间的关系有了一个了解。

as_index参数

groupby函数中的变量作为结果数据帧的索引返回。 我们可以通过将as_index参数设置为false来更改它。

多种聚合功能

在某些情况下，应用groupby函数后，您可能希望同时查看不同组的计数和均值。 如果类别分布不平衡，则仅检查均值可能会导致错误的假设。 您可以对groupby的结果应用多个聚合函数。 它们不仅限于计数和均值，还可以将函数名称作为参数传递给agg（）函数。

谢谢阅读。 如果您有任何反馈意见，请告知我。

(本文翻译自Soner Yildirim的文章《Pandas Groupby — Explained》，参考：
https://towardsdatascience.com/pandas-groupby-explained-453692519d0)