本文用到的表格內(nèi)容如下:

先來(lái)看一下數(shù)據(jù)情形

import pandas as pd
life_df = pd.read_excel(r'C:\Users\admin\Desktop\生活用品表.xlsx')
print(life_df)

result:
      分類  編號(hào)    名稱
0     水果   0    蘋果
1     水果   1    橙子
2   生活用品   2    牙刷
3   生活用品   3    冰箱
4   生活用品   4   電視機(jī)
5     食物   0    蘋果
6     食物   1    橙子
7     家電   3    冰箱
8     家電   4   電視機(jī)
9     大件   3    冰箱
10    大件   4   電視機(jī)
11    大件   5    茶幾
12  生活用品   7  暖手寶寶
13  小說(shuō)   8   紅樓夢(mèng)

將DataFrame的其中一列取出來(lái)就是一個(gè)Series，比如life_df["分類"]就是一個(gè)Series

1 按照一個(gè)Series進(jìn)行分組

life_df = pd.read_excel(r'C:\Users\admin\Desktop\生活用品表.xlsx')
print(life_df.groupby(life_df["分類"]))

result:

<pandas.core.groupby.generic.DataFrameGroupBy object at 0x000001506806C6C8>

從上面的結(jié)果可以看出，如果只是傳入Series，分組后的結(jié)果是一個(gè)DataFrameGroupBy對(duì)象。這個(gè)對(duì)象包含著分組以后的若干組數(shù)據(jù)，但是沒(méi)有直接顯示出來(lái)，需要對(duì)這些分組數(shù)據(jù)進(jìn)行匯總計(jì)算以后才會(huì)顯示出來(lái)

life_df = pd.read_excel(r'C:\Users\admin\Desktop\生活用品表.xlsx')
print(life_df.groupby(life_df["分類"]).count())

result:
  編號(hào)  名稱
​
分類          
大件     3   3
家電     2   2
小說(shuō)     1   1
水果     2   2
生活用品   4   4
食物     2   2

上面的代碼是根據(jù)物品分類對(duì)所有數(shù)據(jù)進(jìn)行了分組，然后對(duì)分組以后的數(shù)據(jù)分別進(jìn)行計(jì)數(shù)運(yùn)算，最后進(jìn)行合并。

由于對(duì)分組后的數(shù)據(jù)進(jìn)行了計(jì)數(shù)運(yùn)算，因此每一列都會(huì)有一個(gè)結(jié)果。但是如果對(duì)分組后的結(jié)果做一些數(shù)值運(yùn)算，這個(gè)時(shí)候只有數(shù)據(jù)類型是數(shù)值(int、float)的列才會(huì)參與運(yùn)算

import pandas as pd
life_df = pd.read_excel(r'C:\Users\admin\Desktop\生活用品表.xlsx')
print(life_df.groupby(life_df["分類"]).sum())

result:
      編號(hào)
​
分類      
大件    12
家電     7
小說(shuō)     8
水果     1
生活用品  16
食物     1

我們把這種對(duì)分組后的數(shù)據(jù)進(jìn)行匯總運(yùn)算的操作稱為聚合，使用的函數(shù)稱為聚合函數(shù)。比如前面系列文章提高的非空值計(jì)數(shù)、sum求和、最大值最小值、均值、中位數(shù)、眾數(shù)、方差、標(biāo)準(zhǔn)差和分位數(shù)這些。都屬于聚合函數(shù)。

2 按照多個(gè)Series進(jìn)行分組

多Series分組和單Series分組差不多，只要將多個(gè)Series以列表的形式傳遞給groupby()即可。

life_df = pd.read_excel(r'C:\Users\admin\Desktop\生活用品表.xlsx')
print(life_df.groupby([life_df["分類"], life_df["名稱"]]).count())

result:
       編號(hào)
​
分類   名稱      
大件   冰箱     1
     電視機(jī)    1
     茶幾     1
家電   冰箱     1
     電視機(jī)    1
小說(shuō)   紅樓夢(mèng)    1
水果   橙子     1
     蘋果     1
生活用品 冰箱     1
     暖手寶寶   1
     牙刷     1
     電視機(jī)    1
食物   橙子     1
     蘋果     1

life_df = pd.read_excel(r'C:\Users\admin\Desktop\生活用品表.xlsx')
print(life_df.groupby([life_df["分類"], life_df["名稱"]]).sum())

result:
       編號(hào)
​
分類   名稱      
大件   冰箱     3
     電視機(jī)    4
     茶幾     5
家電   冰箱     3
     電視機(jī)    4
小說(shuō)   紅樓夢(mèng)    8
水果   橙子     1
     蘋果     0
生活用品 冰箱     3
     暖手寶寶   7
     牙刷     2
     電視機(jī)    4
食物   橙子     1
     蘋果     0

3 分組和聚合采用不同的列或Series進(jìn)行

這里和按列分組的用法一致

life_df = pd.read_excel(r'C:\Users\admin\Desktop\生活用品表.xlsx')
print(life_df.groupby(life_df["分類"])["名稱"].count())

result:
分類
大件      3
家電      2
小說(shuō)      1
水果      2
生活用品    4
食物      2
Name: 名稱, dtype: int64

這里就是按照物品分類進(jìn)行分組，再按照物品名稱進(jìn)行匯總統(tǒng)計(jì)

到此這篇關(guān)于pandas實(shí)現(xiàn)按照Series分組示例的文章就介紹到這了,更多相關(guān)pandas Series分組內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論