应用聚合函数

应用聚合函数首先需要通过在 DataFrame 上调用 groupby() 方法来创建 GroupBy 对象。然后，下一步是对每个组应用一个函数以计算汇总统计量。这一操作是“拆分-应用-合并”模式中的“应用”部分。

Pandas 的 GroupBy 对象内置了多个聚合方法，它们与 Series 和 DataFrame 上的对应方法功能非常相似。这些方法会自动独立地对每个组进行操作，然后将结果合并到一个新的 Series 或 DataFrame 中。

让我们看一个简单的数据框，它表示不同产品在各个区域的销售数据：

import pandas as pd
import numpy as np

# 示例数据
data = {'Region': ['North', 'South', 'North', 'South', 'East', 'East', 'North'],
        'Product': ['A', 'A', 'B', 'B', 'A', 'C', 'B'],
        'Sales': [100, 150, 200, 50, 120, 80, 180],
        'Quantity': [10, 15, 20, 5, 12, 8, 15]}
df = pd.DataFrame(data)

print("原始数据框:")
print(df)

原始数据框:
  Region Product  Sales  Quantity
0  North       A    100        10
1  South       A    150        15
2  North       B    200        20
3  South       B     50         5
4   East       A    120        12
5   East       C     80         8
6  North       B    180        15

现在，让我们按“Region”对这些数据进行分组：

grouped_by_region = df.groupby('Region')

grouped_by_region 对象现在包含已分离的组，但我们尚未进行任何计算。

常用聚合函数

您可以直接将常用聚合函数应用于 GroupBy 对象。Pandas 会智能地将函数应用于每个组中合适的列（通常是数值列）。

1. 求和 (.sum())：计算每个组的值的总和。

   # 计算每个区域的总销售额和总数量
   region_totals = grouped_by_region.sum()
   print("\n每个区域的总销售额和总数量:")
   print(region_totals)
   

   每个区域的总销售额和总数量:
          Sales  Quantity
   Region
   East     200        20
   North    480        45
   South    200        20
   

   请注意，输出是一个新的数据框，其中索引是分组键（“Region”），列是原始数据框中的数值列（“Sales”、“Quantity”），包含每个区域的总和值。非数值的“Product”列自动从求和中排除。

2. 平均值 (.mean())：计算每个组的平均值。

   # 计算每个区域的平均销售额和平均数量
   region_means = grouped_by_region.mean(numeric_only=True)
   print("\n每个区域的平均销售额和平均数量:")
   print(region_means)
   

   每个区域的平均销售额和平均数量:
             Sales  Quantity
   Region
   East   100.000000  10.000000
   North  160.000000  15.000000
   South  100.000000  10.000000
   

   同样，输出索引是“Region”，值代表属于每个区域的行的“Sales”和“Quantity”的平均值。

3. 计数 (.count())：计算每个组中每列的非空条目数。

   # 计算每个区域每列的条目数
   region_counts = grouped_by_region.count()
   print("\n每个区域的条目数:")
   print(region_counts)
   

   每个区域的条目数:
          Product  Sales  Quantity
   Region
   East         2      2         2
   North        3      3         3
   South        2      2         2
   

   这里，count() 包含“Product”列，因为它计算任何非缺失值，无论数据类型如何。它显示了有多少记录属于每个区域的组。

4. 大小 (.size())：返回每个组的总行数（包括空值，与 count() 不同）。

   # 获取每个区域的总行数（大小）
   region_sizes = grouped_by_region.size()
   print("\n每个区域组的大小:")
   print(region_sizes)
   

   每个区域组的大小:
   Region
   East     2
   North    3
   South    2
   dtype: int64
   

   size() 的输出是一个 Pandas Series，其中索引是分组键（“Region”），值是属于该组的行数。

5. 最小值 (.min()) 和最大值 (.max())：找出每个组中每个适用列的最小值或最大值。

   # 找出每个区域的最小销售额
   region_min_sales = grouped_by_region['Sales'].min() # 应用于特定列
   print("\n每个区域的最小销售额:")
   print(region_min_sales)
   
   # 找出每个区域的最大数量
   region_max_quantity = grouped_by_region['Quantity'].max()
   print("\n每个区域的最大数量:")
   print(region_max_quantity)
   

   每个区域的最小销售额:
   Region
   East      80
   North    100
   South     50
   Name: Sales, dtype: int64
   
   每个区域的最大数量:
   Region
   East     12
   North    20
   South    15
   Name: Quantity, dtype: int64
   

   在这些示例中，我们首先从 GroupBy 对象中选择一个特定列（['Sales'] 或 ['Quantity']），然后再应用聚合。这会得到一个 Series，其中索引是分组键（“Region”），值是该组所选列的最小/最大值。如果您在未首先选择列的情况下直接将 .min() 或 .max() 应用于 GroupBy 对象，它将计算所有适用（通常是数值）列的最小/最大值，类似于 .sum() 或 .mean()。

应用于特定列

正如在 .min() 和 .max() 中所见的，您可以在分组后将聚合函数应用于特定列。当您只需要某些特征的汇总时，这很有用。

# 计算每个区域的总销售额
total_sales_per_region = df.groupby('Region')['Sales'].sum()
print("\n每个区域的总销售额（特定列）:")
print(total_sales_per_region)

# 计算每个产品的平均数量
avg_quantity_per_product = df.groupby('Product')['Quantity'].mean()
print("\n每个产品的平均数量:")
print(avg_quantity_per_product)

每个区域的总销售额（特定列）:
Region
East     200
North    480
South    200
Name: Sales, dtype: int64

每个产品的平均数量:
Product
A    12.333333
B    13.333333
C     8.000000
Name: Quantity, dtype: float64

在聚合之前选择列 (df.groupby('Region')['Sales'].sum()) 通常比计算所有列的聚合然后选择您需要的列 (df.groupby('Region').sum()['Sales']) 更有效，尤其是在大型数据集上。

这些基本聚合函数（sum、mean、count、size、min、max、std、var、median 等）涵盖了许多常见的数据汇总任务。它们是理解 Pandas 中按组操作的基本要素。在下一节中，我们将学习如何一次应用多个聚合函数。