中文字幕理论片,69视频免费在线观看,亚洲成人app,国产1级毛片,刘涛最大尺度戏视频,欧美亚洲美女视频,2021韩国美女仙女屋vip视频

groupby官方解釋

DataFrame.groupby(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs)

Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.

講真的，非常不能理解pandas官方文檔的這種表達(dá)形式，讓人真的有點(diǎn)摸不著頭腦，example給得又少，參數(shù)也不給得很清楚，不過沒有辦法，還是只能選擇原諒他。

groupby我用過的用法

基本用法我這里就不呈現(xiàn)了，我覺得用過一次的人基本不會(huì)忘記，這里我主要寫一下我用過的關(guān)系groupby函數(shù)的疑惑：

apply & agg

這個(gè)問題著實(shí)困擾了我很久，經(jīng)過研究，找了一些可能幫助理解的東西。先舉一個(gè)例子：

import pandas as pddf = pd.DataFrame({'Q':['LI','ZHANG','ZHANG','LI','WANG'], 'A' : [1,1,1,2,2], 'B' : [1,-1,0,1,2], 'C' : [3,4,5,6,7]})

df.groupby('Q').apply(lambda x:print(x))

       A  B  C   Q    0  1  1  3  LI    3  2  1  6  LI       A  B  C   Q    0  1  1  3  LI    3  2  1  6  LI       A  B  C     Q    4  2  2  7  WANG       A  B  C      Q    1  1 -1  4  ZHANG    2  1  0  5  ZHANG

df.groupby('Q').agg(lambda x:print(x))

    0    1    3    2    Name: A, dtype: int64    4    2    Name: A, dtype: int64    1    1    2    1    Name: A, dtype: int64    0    1    3    1    Name: B, dtype: int64    4    2    Name: B, dtype: int64    1   -1    2    0    Name: B, dtype: int64    0    3    3    6    Name: C, dtype: int64    4    7    Name: C, dtype: int64    1    4    2    5    Name: C, dtype: int64

從這個(gè)例子可以看出，使用apply()處理的對(duì)象是一個(gè)個(gè)的類如DataFrame的數(shù)據(jù)表，然而agg()則每次只傳入一列。

不過我覺得這一點(diǎn)區(qū)別在實(shí)際應(yīng)用中分別并不大，因?yàn)镮python的Out輸出對(duì)于這兩個(gè)函數(shù)幾乎沒有差別，不管是處理一列還是一表。

我覺得agg()有一點(diǎn)讓我很開心就是他可以同時(shí)傳入多個(gè)函數(shù)，簡(jiǎn)直不要太方便哈哈：

df.groupby('Q').agg(['mean','std','count','max'])

Plotting

這個(gè)也是我剛剛學(xué)會(huì)的，groupby的plot簡(jiǎn)直不要太方便了：(不過這個(gè)例子選的不是很好)

%matplotlib inlinedf.groupby('Q').agg(['mean','std','count','max']).plot(kind='bar')

<matplotlib.axes._subplots.AxesSubplot at 0x1133bd710>

MultiIndex

這個(gè)是困擾我最多的一個(gè)問題，因?yàn)槿绻襣roupby的時(shí)候選擇了兩個(gè)level，之后的data總是呈現(xiàn)透視表的形式，如：

Muldf = df.groupby(['Q','A']).agg('mean')print(Muldf)

               B    C    Q     A              LI    1  1.0  3.0          2  1.0  6.0    WANG  2  2.0  7.0    ZHANG 1 -0.5  4.5