pandas中pd.groupby()的用法详解_python_

import numpy as np import pandas as pd from pandas import Series, DataFrame df = pd.read_csv('./city_weather.csv') print(df) '''           date city  temperature  wind 0   03/01/2016   BJ            8     5 1   17/01/2016   BJ           12     2 2   31/01/2016   BJ           19     2 3   14/02/2016   BJ           -3     3 4   28/02/2016   BJ           19     2 5   13/03/2016   BJ            5     3 6   27/03/2016   SH           -4     4 7   10/04/2016   SH           19     3 8   24/04/2016   SH           20     3 9   08/05/2016   SH           17     3 10  22/05/2016   SH            4     2 11  05/06/2016   SH          -10     4 12  19/06/2016   SH            0     5 13  03/07/2016   SH           -9     5 14  17/07/2016   GZ           10     2 15  31/07/2016   GZ           -1     5 16  14/08/2016   GZ            1     5 17  28/08/2016   GZ           25     4 18  11/09/2016   SZ           20     1 19  25/09/2016   SZ          -10     4 ''' g = df.groupby(df['city']) #  print(g.groups) # {'BJ': Int64Index([0, 1, 2, 3, 4, 5], dtype='int64'), # 'GZ': Int64Index([14, 15, 16, 17], dtype='int64'), # 'SZ': Int64Index([18, 19], dtype='int64'), # 'SH': Int64Index([6, 7, 8, 9, 10, 11, 12, 13], dtype='int64')} print(g.size()) # g.size() 可以统计每个组 成员的 数量 ''' city BJ    6 GZ    4 SH    8 SZ    2 dtype: int64 ''' print(g.get_group('BJ')) # 得到 某个 分组 '''          date city  temperature  wind 0  03/01/2016   BJ            8     5 1  17/01/2016   BJ           12     2 2  31/01/2016   BJ           19     2 3  14/02/2016   BJ           -3     3 4  28/02/2016   BJ           19     2 5  13/03/2016   BJ            5     3 ''' df_bj = g.get_group('BJ') print(df_bj.mean()) # 对这个 分组 求平均 ''' temperature    10.000000 wind            2.833333 dtype: float64 ''' # 直接使用 g 对象，求平均值 print(g.mean()) # 对 每一个 分组， 都计算分组 '''       temperature      wind city                        BJ         10.000  2.833333 GZ          8.750  4.000000 SH          4.625  3.625000 SZ          5.000  2.500000 ''' print(g.max()) '''             date  temperature  wind city                                BJ    31/01/2016           19     5 GZ    31/07/2016           25     5 SH    27/03/2016           20     5 SZ    25/09/2016           20     4 ''' print(g.min()) '''             date  temperature  wind city                                BJ    03/01/2016           -3     2 GZ    14/08/2016           -1     2 SH    03/07/2016          -10     2 SZ    11/09/2016          -10     1 ''' # g 对象还可以使用 for 进行循环遍历 for name, group in g:     print(name)     print(group) # g 可以转化为 list类型， dict类型 print(list(g)) # 元组第一个元素是 分组的label，第二个是dataframe ''' [('BJ',          date city  temperature  wind 0  03/01/2016   BJ            8     5 1  17/01/2016   BJ           12     2 2  31/01/2016   BJ           19     2 3  14/02/2016   BJ           -3     3 4  28/02/2016   BJ           19     2 5  13/03/2016   BJ            5     3),  ('GZ',           date city  temperature  wind 14  17/07/2016   GZ           10     2 15  31/07/2016   GZ           -1     5 16  14/08/2016   GZ            1     5 17  28/08/2016   GZ           25     4),  ('SH',           date city  temperature  wind 6   27/03/2016   SH           -4     4 7   10/04/2016   SH           19     3 8   24/04/2016   SH           20     3 9   08/05/2016   SH           17     3 10  22/05/2016   SH            4     2 11  05/06/2016   SH          -10     4 12  19/06/2016   SH            0     5 13  03/07/2016   SH           -9     5),  ('SZ',           date city  temperature  wind 18  11/09/2016   SZ           20     1 19  25/09/2016   SZ          -10     4)] ''' print(dict(list(g))) # 返回键值对，值的类型是 dataframe ''' {'SH':           date city  temperature  wind 6   27/03/2016   SH           -4     4 7   10/04/2016   SH           19     3 8   24/04/2016   SH           20     3 9   08/05/2016   SH           17     3 10  22/05/2016   SH            4     2 11  05/06/2016   SH          -10     4 12  19/06/2016   SH            0     5 13  03/07/2016   SH           -9     5,  'SZ':           date city  temperature  wind 18  11/09/2016   SZ           20     1 19  25/09/2016   SZ          -10     4,  'GZ':           date city  temperature  wind 14  17/07/2016   GZ           10     2 15  31/07/2016   GZ           -1     5 16  14/08/2016   GZ            1     5 17  28/08/2016   GZ           25     4,  'BJ':          date city  temperature  wind 0  03/01/2016   BJ            8     5 1  17/01/2016   BJ           12     2 2  31/01/2016   BJ           19     2 3  14/02/2016   BJ           -3     3 4  28/02/2016   BJ           19     2 5  13/03/2016   BJ            5     3} '''