GroupBy是Pandas提供的强大的数据聚合处理机制，可以对大量级的多维数据进行透视，同时GroupBy还提供强大的apply函数，使得在多维数据中应用复杂函数得到复杂结果成为可能(这也是个人认为在实际业务分析中，数据量没那么大的情况下，Pandas相较于Excel透视表最有优势的一点)。

也正是因为它如此强大，所以对于很多初涉猎这部分内容的学习者来说，深入理解并熟练掌握GroupBy机制的运用有些困难，这篇文章力求基于我对“老鼠书”的理解，对GroupBy机制做一个初步的梳理。

本文是机制上的理解篇，代码层面的运用会在运用篇中涉及。

 

深入理解GroupBy机制的底层逻辑：“分拆-应用-聚合”

 

先说结论：（1）“分拆-应用-聚合”是GroupBy机制的核心，其中“应用”又是整个流程的核心；（2）理解“应用”的关键在于，脑子里要有对于分拆之后一个个小group的抽象印象。

1、分拆

• 分拆：之所以叫GroupBy，正是因为有“Group”这个概念。我们用到Group，是因为需要按某个属性（字段）将数据区分为不同的Group，这个属性，我们通常称之为“分组键”，对每个Group进行操作（如 求和、求平均），否则直接对整个数据集进行操作就好，干嘛要麻烦到用GroupBy呢？

　　比如公司到年终要给表现最好的部门发激励，就需要计算不同部门今年的总收益，这时“部门”就是我们的“分组键”，不同的部门及其每个员工的收益就构成了一个个小的group。

 

 

 

 

 

　　抽象理解的话，代码中的前半部分，也就是data.groupby([分组键1，分组键2……])，所起到的作用就是将原数据集data按照你传入的分组键，切分为一个一个小小的group，每一个group都是原数据集的子集。

　　当看到data.groupby([分组键1，分组键2……])时，你可以理解为：“分拆”的步骤已经执行好啦，现在我们已经有了一个个小的group（在pandas中，data.groupby([分组键1，分组键2……])返回的是一个grouped对象）。

2、应用

• 应用：将数据切分为不同的Group并不是最终的目的，我们的目标是针对每个小的group执行一个操作，得到一个结果，这个过程就是"应用"，也是整个GroupBy中最复杂、发挥coder聪明才智的空间最大的部分。这里的操作：
  • 可以是最简单的描述性统计和汇总统计，比如 求和、求最大值、求最小值、求平均，得到的结果通常是一个标量值，也就是一个数。
  • 还可以加入略复杂的要求，比如 同时返回每组最大值和最小值，得到的结果可以是一个Series / 列表 / 字典 / DataFrame / 甚至是任意你定义的对象类型了，在“运用篇”中我们会介绍一些看起来颇为复杂的操作。

          继续前面公司年终发奖励的例子，老板提出了以下要求：（1）看看每个部门的总收益；（2）想看看每个部门的平均年龄和人均收益。

　　　对于总收益，每个部门只返回一个数字就可以了，但是平均年龄和人均收益，对于每个部门来说，这两个数字构成的就是一个列表或者一个Series了。很多初学者往往就卡着这个地方，我个人认为还是对groupby的抽象理解不够。

 

 

 

 

　　对“应用”操作的理解，如果脑子里有这么一个小group的集合，运用的难度会小很多，同时我们可以发现一些对“分拆”步骤的更深层次理解，能帮助我们更好地掌握“应用”：

 

• • 分拆后的小group的列（columns）和原数据集是一样的；
  • 分拆后的小group的分组键对应的列的值都是相等的，比如 第一个小group里面，部门都是A；第二个则部门都是B
  • 分拆形成的小group的个数，取决于原数据集中分组键对应的列的值去重后的个数，比如 上图中 原数据集中有4个数据，但是只有A、B、C 3个部门，所以最终拆出来的小group就有3个。

 

3、聚合

 

•  聚合：聚合相对来说比较好理解一些了，从前面的图中我们可以看到，“应用”是对每一个小group执行了一种或简单或复杂的操作，但是不可能就这么返回给你，所以需要把这些数据给聚合起来，构成一个可读性更高的数据形式给你。

　　简单来说，你可以认为，在这里，pandas对“应用”完成后的每个小group的操作结果，做了一个concat，也就是轴向上的聚合，也就是从上到下把他们像“堆俄罗斯方块”一样堆起来（如果不熟悉pd.concat，先回去复习下吧~）

　　在pandas中，堆叠起来的数据要么是Series，要么是DataFrame，也就是说，无论中间对每个小group的操作操作有多复杂，最后返回的结果无外乎就是Series和DataFrame，对于做数据处理的我们还是颇为友好的。

 

 

 

总结

总结一下，从抽象的“道”层面，在不涉及具体代码的情况下，我们去理解groupby主要是通过“分拆-应用-聚合”三个环节。

在最开始使用groupby的时候，每次能够先在脑海中将这三个环节模拟一遍，能够帮助你更快速地掌握“术”层面的代码语法；

在这三个环节中，最重要的是应用环节，而应用环节的关键在于，你要能清楚的感知到你要处理的一个个小的group是什么样子的；其次是分拆环节，分拆环节是源头，而且在实际应用的过程中还涉及到多种多样的生成分组键的方式，对于初学者来说也很容易头皮发麻；最后是聚合，像俄罗斯方块一样（准确的来说就是pd.concat）把每一个小group的结果堆起来。

 

理解篇就先到这里，咱们运用篇再见~~~

 

原文：https://www.cnblogs.com/tobio/p/15484897.html