将多个函数应用于多个 groupby 列

Question

docs 展示了如何使用以输出列名作为键的 dict 一次对 groupby 对象应用多个函数：

In [563]: grouped['D'].agg({'result1' : np.sum,
   .....:                   'result2' : np.mean})
   .....:
Out[563]: 
      result2   result1
A                      
bar -0.579846 -1.739537
foo -0.280588 -1.402938

但是，这仅适用于 Series groupby 对象。当一个 dict 类似地传递给一个 groupby DataFrame 时，它​​期望键是该函数将应用于的列名。

我想要做的是将多个函数应用于多个列（但某些列将被多次操作）。此外，某些函数将依赖于 groupby 对象中的其他列（如 sumif 函数）。我目前的解决方案是逐列进行，并执行类似于上面的代码的操作，将 lambdas 用于依赖于其他行的函数。但这需要很长时间，（我认为遍历 groupby 对象需要很长时间）。我必须对其进行更改，以便在一次运行中遍历整个 groupby 对象，但我想知道 pandas 中是否有内置方法可以稍微干净地做到这一点。

例如，我尝试过类似

grouped.agg({'C_sum' : lambda x: x['C'].sum(),
             'C_std': lambda x: x['C'].std(),
             'D_sum' : lambda x: x['D'].sum()},
             'D_sumifC3': lambda x: x['D'][x['C'] == 3].sum(), ...)

但正如预期的那样，我得到了一个 KeyError（因为如果从 DataFrame 调用 agg，则键必须是一列）。

是否有任何内置方法可以做我想做的事情，或者有可能添加此功能，还是我只需要手动遍历 groupby？

Answer 1

当前接受的答案的后半部分已过时并且有两个弃用。首先也是最重要的，您不能再将字典字典传递给agg groupby 方法。其次，永远不要使用.ix。

如果您希望同时处理两个单独的列，我建议您使用 apply 方法，该方法隐式地将 DataFrame 传递给应用的函数。让我们使用与上面类似的数据框

df = pd.DataFrame(np.random.rand(4,4), columns=list('abcd'))
df['group'] = [0, 0, 1, 1]
df

          a         b         c         d  group
0  0.418500  0.030955  0.874869  0.145641      0
1  0.446069  0.901153  0.095052  0.487040      0
2  0.843026  0.936169  0.926090  0.041722      1
3  0.635846  0.439175  0.828787  0.714123      1

从列名映射到聚合函数的字典仍然是执行聚合的绝佳方式。

df.groupby('group').agg({'a':['sum', 'max'], 
                         'b':'mean', 
                         'c':'sum', 
                         'd': lambda x: x.max() - x.min()})

              a                   b         c         d
            sum       max      mean       sum  <lambda>
group                                                  
0      0.864569  0.446069  0.466054  0.969921  0.341399
1      1.478872  0.843026  0.687672  1.754877  0.672401

如果您不喜欢那个丑陋的 lambda 列名称，您可以使用普通函数并为特殊的 __name__ 属性提供自定义名称，如下所示：

def max_min(x):
    return x.max() - x.min()

max_min.__name__ = 'Max minus Min'

df.groupby('group').agg({'a':['sum', 'max'], 
                         'b':'mean', 
                         'c':'sum', 
                         'd': max_min})

              a                   b         c             d
            sum       max      mean       sum Max minus Min
group                                                      
0      0.864569  0.446069  0.466054  0.969921      0.341399
1      1.478872  0.843026  0.687672  1.754877      0.672401

---

使用apply 并返回一个系列

现在，如果您有多个列需要一起交互，那么您不能使用agg，它会隐式地将一个系列传递给聚合函数。当使用 apply 时，整个组作为 DataFrame 被传递到函数中。

我建议创建一个返回所有聚合系列的自定义函数。使用 Series 索引作为新列的标签：

def f(x):
    d = {}
    d['a_sum'] = x['a'].sum()
    d['a_max'] = x['a'].max()
    d['b_mean'] = x['b'].mean()
    d['c_d_prodsum'] = (x['c'] * x['d']).sum()
    return pd.Series(d, index=['a_sum', 'a_max', 'b_mean', 'c_d_prodsum'])

df.groupby('group').apply(f)

         a_sum     a_max    b_mean  c_d_prodsum
group                                           
0      0.864569  0.446069  0.466054     0.173711
1      1.478872  0.843026  0.687672     0.630494

如果您喜欢 MultiIndexes，您仍然可以返回一个带有这样的系列：

    def f_mi(x):
        d = []
        d.append(x['a'].sum())
        d.append(x['a'].max())
        d.append(x['b'].mean())
        d.append((x['c'] * x['d']).sum())
        return pd.Series(d, index=[['a', 'a', 'b', 'c_d'], 
                                   ['sum', 'max', 'mean', 'prodsum']])

df.groupby('group').apply(f_mi)

              a                   b       c_d
            sum       max      mean   prodsum
group                                        
0      0.864569  0.446069  0.466054  0.173711
1      1.478872  0.843026  0.687672  0.630494

Answer 2

对于第一部分，您可以传递键的列名字典和值的函数列表：

In [28]: df
Out[28]:
          A         B         C         D         E  GRP
0  0.395670  0.219560  0.600644  0.613445  0.242893    0
1  0.323911  0.464584  0.107215  0.204072  0.927325    0
2  0.321358  0.076037  0.166946  0.439661  0.914612    1
3  0.133466  0.447946  0.014815  0.130781  0.268290    1

In [26]: f = {'A':['sum','mean'], 'B':['prod']}

In [27]: df.groupby('GRP').agg(f)
Out[27]:
            A                   B
          sum      mean      prod
GRP
0    0.719580  0.359790  0.102004
1    0.454824  0.227412  0.034060

更新 1：

因为聚合函数适用于 Series，所以对其他列名的引用会丢失。为了解决这个问题，您可以引用完整的数据帧并使用 lambda 函数中的组索引对其进行索引。

这是一个 hacky 解决方法：

In [67]: f = {'A':['sum','mean'], 'B':['prod'], 'D': lambda g: df.loc[g.index].E.sum()}

In [69]: df.groupby('GRP').agg(f)
Out[69]:
            A                   B         D
          sum      mean      prod  <lambda>
GRP
0    0.719580  0.359790  0.102004  1.170219
1    0.454824  0.227412  0.034060  1.182901

这里，结果“D”列由求和的“E”值组成。

更新 2：

这是一种我认为可以满足您要求的方法。首先制作一个自定义的 lambda 函数。下面，g 引用了该组。聚合时，g 将是一个系列。将g.index 传递给df.ix[] 从df 中选择当前组。然后我测试列 C 是否小于 0.5。返回的布尔系列被传递给g[]，它只选择那些符合条件的行。

In [95]: cust = lambda g: g[df.loc[g.index]['C'] < 0.5].sum()

In [96]: f = {'A':['sum','mean'], 'B':['prod'], 'D': {'my name': cust}}

In [97]: df.groupby('GRP').agg(f)
Out[97]:
            A                   B         D
          sum      mean      prod   my name
GRP
0    0.719580  0.359790  0.102004  0.204072
1    0.454824  0.227412  0.034060  0.570441

Answer 3

Pandas >= 0.25.0，命名聚合

自从 pandas 版本 0.25.0 或更高版本以来，我们正在远离基于字典的聚合和重命名，而转向接受 tuple 的 named aggregations。现在我们可以同时聚合 + 重命名为信息量更大的列名：

示例：

df = pd.DataFrame(np.random.rand(4,4), columns=list('abcd'))
df['group'] = [0, 0, 1, 1]

          a         b         c         d  group
0  0.521279  0.914988  0.054057  0.125668      0
1  0.426058  0.828890  0.784093  0.446211      0
2  0.363136  0.843751  0.184967  0.467351      1
3  0.241012  0.470053  0.358018  0.525032      1

使用命名聚合应用GroupBy.agg：

df.groupby('group').agg(
             a_sum=('a', 'sum'),
             a_mean=('a', 'mean'),
             b_mean=('b', 'mean'),
             c_sum=('c', 'sum'),
             d_range=('d', lambda x: x.max() - x.min())
)

          a_sum    a_mean    b_mean     c_sum   d_range
group                                                  
0      0.947337  0.473668  0.871939  0.838150  0.320543
1      0.604149  0.302074  0.656902  0.542985  0.057681

Answer 4

作为 Ted Petrou 回答的替代方案（主要是关于美学），我发现我更喜欢稍微紧凑的列表。请不要考虑接受它，这只是对 Ted 答案的更详细的评论，以及代码/数据。 Python/pandas 不是我的第一个/最好的，但我发现这读起来很好：

df.groupby('group') \
  .apply(lambda x: pd.Series({
      'a_sum'       : x['a'].sum(),
      'a_max'       : x['a'].max(),
      'b_mean'      : x['b'].mean(),
      'c_d_prodsum' : (x['c'] * x['d']).sum()
  })
)

          a_sum     a_max    b_mean  c_d_prodsum
group                                           
0      0.530559  0.374540  0.553354     0.488525
1      1.433558  0.832443  0.460206     0.053313

我发现它更让人想起dplyr 管道和data.table 链式命令。并不是说它们更好，只是对我来说更熟悉。 （我当然认识到在这些类型的操作中使用更正式的def 函数的力量和偏好。这只是一种替代方案，不一定更好。）

---

我以与 Ted 相同的方式生成数据，我将添加一个可重复性的种子。

import numpy as np
np.random.seed(42)
df = pd.DataFrame(np.random.rand(4,4), columns=list('abcd'))
df['group'] = [0, 0, 1, 1]
df

          a         b         c         d  group
0  0.374540  0.950714  0.731994  0.598658      0
1  0.156019  0.155995  0.058084  0.866176      0
2  0.601115  0.708073  0.020584  0.969910      1
3  0.832443  0.212339  0.181825  0.183405      1

Answer 5

New in version 0.25.0.

为了通过控制输出列名来支持特定于列的聚合，pandas 接受 GroupBy.agg() 中的特殊语法，称为 “命名聚合”，在哪里

• 关键字是输出列名
• 值是元组，其第一个元素是要选择的列，第二个元素是要应用于该列的聚合。 Pandas 为 pandas.NamedAgg 命名元组提供了 ['column', 'aggfunc'] 字段，以便更清楚地了解参数是什么。像往常一样，聚合可以是可调用的或字符串别名。

>>> animals = pd.DataFrame({
...     'kind': ['cat', 'dog', 'cat', 'dog'],
...     'height': [9.1, 6.0, 9.5, 34.0],
...     'weight': [7.9, 7.5, 9.9, 198.0]
... })

>>> print(animals)
  kind  height  weight
0  cat     9.1     7.9
1  dog     6.0     7.5
2  cat     9.5     9.9
3  dog    34.0   198.0

>>> print(
...     animals
...     .groupby('kind')
...     .agg(
...         min_height=pd.NamedAgg(column='height', aggfunc='min'),
...         max_height=pd.NamedAgg(column='height', aggfunc='max'),
...         average_weight=pd.NamedAgg(column='weight', aggfunc=np.mean),
...     )
... )
      min_height  max_height  average_weight
kind                                        
cat          9.1         9.5            8.90
dog          6.0        34.0          102.75

pandas.NamedAgg 只是一个命名元组。也允许使用普通元组。

>>> print(
...     animals
...     .groupby('kind')
...     .agg(
...         min_height=('height', 'min'),
...         max_height=('height', 'max'),
...         average_weight=('weight', np.mean),
...     )
... )
      min_height  max_height  average_weight
kind                                        
cat          9.1         9.5            8.90
dog          6.0        34.0          102.75

其他关键字参数不会传递给聚合函数。只有成对的 (column, aggfunc) 应该作为 **kwargs 传递。如果您的聚合函数需要额外的参数，请使用 functools.partial() 部分应用它们。

命名聚合也适用于 Series groupby 聚合。在这种情况下，没有列选择，因此值只是函数。

>>> print(
...     animals
...     .groupby('kind')
...     .height
...     .agg(
...         min_height='min',
...         max_height='max',
...     )
... )
      min_height  max_height
kind                        
cat          9.1         9.5
dog          6.0        34.0

Answer 6

这是使用命名聚合的“exans”答案的一个转折点。它是相同的，但参数解包允许您仍然将字典传递给 agg 函数。

命名的 aggs 是一个不错的功能，但乍一看似乎很难以编程方式编写，因为它们使用关键字，但实际上通过参数/关键字解包很简单。

animals = pd.DataFrame({'kind': ['cat', 'dog', 'cat', 'dog'],
                         'height': [9.1, 6.0, 9.5, 34.0],
                         'weight': [7.9, 7.5, 9.9, 198.0]})
 
agg_dict = {
    "min_height": pd.NamedAgg(column='height', aggfunc='min'),
    "max_height": pd.NamedAgg(column='height', aggfunc='max'),
    "average_weight": pd.NamedAgg(column='weight', aggfunc=np.mean)
}

animals.groupby("kind").agg(**agg_dict)

结果

      min_height  max_height  average_weight
kind                                        
cat          9.1         9.5            8.90
dog          6.0        34.0          102.75

Answer 7

Ted 的回答令人惊叹。我最终使用了一个较小的版本，以防有人感兴趣。当您正在寻找一个依赖于多列值的聚合时很有用：

创建一个数据框

df = pd.DataFrame({
    'a': [1, 2, 3, 4, 5, 6], 
    'b': [1, 1, 0, 1, 1, 0], 
    'c': ['x', 'x', 'y', 'y', 'z', 'z']
})

print(df)
   a  b  c
0  1  1  x
1  2  1  x
2  3  0  y
3  4  1  y
4  5  1  z
5  6  0  z

使用 apply 进行分组和聚合（使用多个列）

print(
    df
    .groupby('c')
    .apply(lambda x: x['a'][(x['a'] > 1) & (x['b'] == 1)]
    .mean()
)
c
x    2.0
y    4.0
z    5.0

使用聚合进行分组和聚合（使用多列）

我喜欢这种方法，因为我仍然可以使用聚合。也许人们会告诉我为什么在对组进行聚合时需要 apply 来获取多个列。

现在看起来很明显，但是只要您不直接在 groupby 之后选择感兴趣的列，您就可以从聚合函数中访问数据框的所有列。

只能访问选定的列

df.groupby('c')['a'].aggregate(lambda x: x[x > 1].mean())

访问所有列，因为选择毕竟是魔法

df.groupby('c').aggregate(lambda x: x[(x['a'] > 1) & (x['b'] == 1)].mean())['a']

或类似

df.groupby('c').aggregate(lambda x: x['a'][(x['a'] > 1) & (x['b'] == 1)].mean())

我希望这会有所帮助。