pandas提供了一个灵活高效的groupby功能，它使你能以一种自然的方式对数据集进行切片、切块、摘要等操作。根据一个或多个键（可以是函数、数组或DataFrame列名）拆分pandas对象。计算分组摘要统计，如计数、平均值、标准差，或用户自定义函数。对DataFrame的列应用各种各样的函数。应用组内转换或其他运算，如规格化、线性回归、排名或选取子集等。计算透视表或交叉表。执行分位数分析以及其他分组分析。
1、首先来看看下面这个非常简单的表格型数据集（以DataFrame的形式）：
import pandas as pd import numpy as np df = pd.DataFrame({'key1':['a', 'a', 'b', 'b', 'a'], 'key2':['one', 'two', 'one', 'two', 'one'], 'data1':np.random.randn(5), 'data2':np.random.randn(5)}) df
2.按key1进行分组，并计算data1列的平均值，我们可以访问data1，并根据key1调用groupby：
grouped = df['data1'].groupby(df['key1']) grouped
变量grouped是一个GroupBy对象，它实际上还没有进行任何计算，只是含有一些有关分组键df['key1']的中间数据而已，然后我们可以调用GroupBy的mean方法来计算分组平均值：
grouped.mean()
说明：数据（Series）根据分组键进行了聚合，产生了一个新的Series，其索引为key1列中的唯一值。之所以结果中索引的名称为key1，是因为原始DataFrame的列df['key1']就叫这个名字
3、如果我们一次传入多个数组，就会得到不同的结果：
means = df['data1'].groupby([df['key1'], df['key2']]).mean() means
通过两个键对数据进行了分组，得到的Series具有一个层次化索引（由唯一的键对组成）：
然后我用unstack 把他的二阶索引摊开：
在上面这些示例中，分组键均为Series。实际上，分组键可以是任何长度适当的数组：
states = np.array(['Ohio', 'California', 'California', 'Ohio', 'Ohio']) years = np.array([2005, 2005, 2006, 2005, 2006]) df['data1'].groupby([states, years]).mean() 结果： California 2005 -2.120793 2006 0.642216 Ohio 2005 0.282230 2006 -1.017495 dtype: float64
4、还可以将列名（可以是字符串、数字或其他Python对象）用作分组将：
df.groupby('key1').mean()
df.groupby(['key1', 'key2']).mean()
说明：在执行df.groupby('key1').mean()时，结果中没有key2列。这是因为df['key2']不是数值数据，所以被从结果中排除了。
默认情况下，所有数值列都会被聚合，虽然有时可能会被过滤为一个子集。
无论你准备拿groupby做什么，都有可能会用到GroupBy的size方法，它可以返回一个含有分组大小的Series：
df1=df.groupby(['key1', 'key2']).size() print(df1) print(type(df1))
注意：分组键中的任何缺失值都会被排除在结果之外。
区别于：
5、对分组进行迭代
GroupBy对象支持迭代，可以产生一组二元元组（由分组名和数据块组成）。看看下面这个简单的数据集：
for name, group in df.groupby('key2'): print(name) print(group)
对于多重键的情况，元组的第一个元素将会是由键值组成的元组：
for (k1, k2), group in df.groupby(['key1', 'key2']): print(k1, k2) print(group)
当然，你可以对这些数据片段做任何操作。有一个你可能会觉得有用的运算：将这些数据片段做成一个字典：
pieces = dict(list(df.groupby('key1'))) print(type(pieces['b']),':') pieces['b']
l1=list(df.groupby('key1')) print("l1:"," ",l1) print(type(l1[0][1])) l1[0][1]
groupby默认是在axis=0上进行分组的，通过设置也可以在其他任何轴上进行分组。
那上面例子中的df来说，我们可以根据dtype对列进行分组：
df.dtypes
grouped = df.groupby(df.dtypes, axis=1)
dict(list(grouped))
list(grouped)
6、选取一个或一组列
对于由DataFrame产生的GroupBy对象，如果用一个（单个字符串）或一组（字符串数组）列名对其进行索引，就能实现选取部分列进行聚合的目的，即：
df['data1'].groupby([df['key1']]) df[['data2']].groupby([df['key1']]) df['data2'].groupby([df['key1']])
和以下代码是等效的：
df['data1'].groupby([df['key1']]) df[['data2']].groupby([df['key1']]) df['data2'].groupby([df['key1']])
尤其对于大数据集，很可能只需要对部分列进行聚合。
例如，在前面那个数据集中，如果只需计算data2列的平均值并以DataFrame形式得到结果，代码如下：
df.groupby(['key1', 'key2'])[['data2']].mean()
df.groupby(['key1', 'key2'])['data2'].mean()
这种索引操作所返回的对象是一个已分组的DataFrame（如果传入的是列表或数组）或已分组的Series（如果传入的是标量形式的单个列明）：
7、通过字典或Series进行分组
除数组以外，分组信息还可以其他形式存在，来看一个DataFrame示例：
people = pd.DataFrame(np.random.randn(5, 5), columns=['a', 'b', 'c', 'd', 'e'], index=['Joe', 'Steve', 'Wes', 'Jim', 'Travis'] ) people
mapping = {'a':'red', 'b':'red', 'c':'blue', 'd':'blue', 'e':'red', 'f':'orange'}
by_column = people.groupby(mapping, axis=1)
by_column
by_column.sum()
Series也有同样的功能，它可以被看做一个固定大小的映射。对于上面那个例子，如果用Series作为分组键，则pandas会检查Series以确保其索引跟分组轴是对齐的：
map_series = pd.Series(mapping)
people.groupby(map_series, axis=1).count()
8、通过函数进行分组
相较于字典或Series，Python函数在定义分组映射关系时可以更有创意且更为抽象。任何被当做分组键的函数都会在各个索引值上被调用一次，其返回值就会被用作分组名称。
具体点说，以DataFrame为例，其索引值为人的名字。假设你希望根据人名的长度进行分组，虽然可以求取一个字符串长度数组，但其实仅仅传入len函数即可：
people.groupby(len).sum()
将函数跟数组、列表、字典、Series混合使用也不是问题，因为任何东西最终都会被转换为数组：
key_list = ['one', 'one', 'one', 'two', 'two'] people.groupby([len, key_list]).min()
9、根据索引级别分组
层次化索引数据集最方便的地方在于它能够根据索引级别进行聚合。要实现该目的，通过level关键字传入级别编号或名称即可：
columns = pd.MultiIndex.from_arrays( [['US', 'US', 'US', 'JP', 'JP'], [1 , 3, 5, 1, 3]], names=['cty', 'tenor']) columns
hier_df = pd.DataFrame(np.random.randn(4, 5), columns=columns)
hier_df
hier_df.groupby(level='cty', axis=1).count()
