引言

各位同學好呀，我又出來了，本篇文章我們介紹下 Pandas 的數據分組。

本文用的數據集再次做更換，有同學在后臺問小編為什么最近每篇文章都在換數據集。

emmmmmmmm，在小白剛入門的時候，很多同學找不到數據集練手，小編盡量多使用一些數據集，傳到代碼倉庫后，大家 Down 下來直接就能使用，給大家多提供幾個案例做選擇。

AkShare

本次的數據集選擇由 AkShare 提供的本次疫情的歷史數據。

AkShare 的簡介：

AkShare 是基于 Python 的開源金融數據接口庫, 目的是實現對股票, 期貨, 期權, 基金, 外匯, 債券, 指數, 數字貨幣等金融產品的基本面數據、實時和歷史行情數據、衍生數據從數據采集, 數據清洗, 到數據落地的一套開源工具, 滿足金融數據科學家, 數據科學愛好者在金融數據獲取方面的需求。

AkShare 的特點是獲取的是相對權威的金融數據網站公布的原始數據, 廣大數據科學家可以利用原始數據進行各數據源之間的交叉驗證, 進而再加工, 從而得出科學的結論。

好像和疫情沒什么關系么，其實 AkShare 也是在最近的更新中添加了有關本次疫情的數據集。

首先第一件事兒就是先把我們今天要使用到的數據集搞下來，首先是 AkShare 的安裝，參考文檔示例進行安裝（ https://akshare.readthedocs.io/zh_CN/latest/akshare/ak-installation.html ）：

• 通用安裝：
  pip install akshare --upgrade

• 國內安裝-Python：
  pip install akshare -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com --upgrade

• 國內安裝-Anaconda：
  pip install akshare -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com --user --upgrade

除了一些 Python 的庫需要進行安裝，還有一些其他環境需要安裝，小編這里就不一一列出了，請各位同學參考文檔進行安裝。

安裝好以后，將本次疫情的歷史數據進行導出成 Excel ，然后開始我們今天的正題，這段導出代碼其實非常簡單，加上導包總共三行，如下：

import akshare as akepidemic_dxy_df = ak.epidemic_dxy(indicator="global") epidemic_dxy_df.to_excel('epidemic_dxy.xlsx')

這里獲取的其實是本次疫情截止小編寫這篇文章時的一個最新數據。

說明： epidemic_dxy_df 是一個 DataFrame ，這里直接通過 DataFrame 的 to_excel 進行 Excel 導出。

如果不想使用 Excel 的同學，也可以直接操作 epidemic_dxy_df 這個 DataFrame ，只是每次運行的時候它都要從遠端拉取數據，速度上挺慢的，從本地的 Excel 中讀取數據還是會快很多。

導出的 Excel 小編就簡單截個圖，如圖：

可以看到，總共有 66 行的數據，數據量不大，我們進行操作后，可以人工核實操作數據是否正確。

數據分組

如果有對 SQL 使用經驗的同學來講，分組這個詞并不陌生，在 SQL 中的關鍵字是 group by ，而在 Pandas 中的方法名也十分相似，是 groupby() 。
當然，如果對 SQL 不熟悉的同學也可以參考下 Excel 的分組，都是一樣的。
我們先按照七大洲對這個數據做一次分組，看下是什么結果：

import pandas as pd# 數據導入 epidemic_dxy = pd.read_excel("epidemic_dxy.xlsx")print(epidemic_dxy.groupby(['continents']))# 輸出內容 <pandas.core.groupby.generic.DataFrameGroupBy object at 0x0000019AB24BAB48>

可以看到，這里輸出的了一個 DataFrameGroupBy 的內存對象，實際上這個對象中包含了分組后的一些相關信息，并沒有直接顯示出來，我們直接調用一個匯總的方法看一下：

print(epidemic_dxy.groupby(['continents']).count())# 輸出內容id createTime modifyTime ... operator locationId countryShortCode continents ... 亞洲 26 26 26 ... 26 26 26 其他 1 1 1 ... 1 1 1 北美洲 4 4 4 ... 4 4 4 南美洲 2 2 2 ... 2 2 2 大洋洲 2 2 2 ... 2 2 2 歐洲 27 27 27 ... 27 27 27 非洲 3 3 3 ... 3 3 3

count() 的含義是取計數，就是當前的數據有多少條，可以看到，亞洲有 26 條數據。
如果我想知道當前七大洲的匯總數據呢？可以用到 sum() 這個方法：

import pandas as pd# 數據導入 epidemic_dxy = pd.read_excel("epidemic_dxy.xlsx")pd.set_option('display.max_columns', None) print(epidemic_dxy.groupby(['continents']).sum())# 輸出內容id createTime modifyTime tags countryType \ continents 亞洲 18446021 41161613744000 41161613744000 0.0 52 其他 709404 1583138990000 1583138990000 0.0 2 北美洲 2838116 6332555961000 6332555961000 0.0 8 南美洲 1419041 3166277981000 3166277981000 0.0 4 大洋洲 1418867 3166277980000 3166277980000 0.0 4 歐洲 19156076 42744752735000 42744752735000 0.0 54 非洲 2128329 4749416970000 4749416970000 0.0 6 provinceId provinceShortName cityName currentConfirmedCount \ continents 亞洲 231 0.0 0.0 5458 其他 10 0.0 0.0 699 北美洲 38 0.0 0.0 99 南美洲 20 0.0 0.0 8 大洋洲 20 0.0 0.0 14 歐洲 265 0.0 0.0 2040 非洲 30 0.0 0.0 3 confirmedCount suspectedCount curedCount deadCount comment \ continents 亞洲 5940 0 399 83 0.0 其他 705 0 0 6 0.0 北美洲 107 0 7 1 0.0 南美洲 8 0 0 0 0.0 大洋洲 30 0 15 1 0.0 歐洲 2199 0 123 36 0.0 非洲 4 0 1 0 0.0 sort locationId continents 亞洲 0 24793190 其他 0 0 北美洲 0 3887012 南美洲 0 1946009 大洋洲 0 1980008 歐洲 0 25035128 非洲 0 2944016

因為原始數據有點多，小編這里將所有的列全展示出來，可以看到亞洲目前的確診數量是 5940 ，當然，這里不包含中國的數據。

這里的列太多了，很多列并不是我們關心的，如果我們只關心幾個核心的數據怎么展示呢？

我們可以先分組，分組后取出我們需要的列，然后再對列做運算，如下：

import pandas as pd# 數據導入 epidemic_dxy = pd.read_excel("epidemic_dxy.xlsx")print(epidemic_dxy.groupby(['continents'])['confirmedCount', 'suspectedCount', 'curedCount', 'deadCount'].sum())# 輸出內容confirmedCount suspectedCount curedCount deadCount continents 亞洲 5940 0 399 83 其他 705 0 0 6 北美洲 107 0 7 1 南美洲 8 0 0 0 大洋洲 30 0 15 1 歐洲 2199 0 123 36 非洲 4 0 1 0

在進行數據分組的時候，我們除了可以使用列名進行分組，還可以使用 Series 進行分組，它與使用列名進行分組在使用上沒有任何不同：

import pandas as pd# 數據導入 epidemic_dxy = pd.read_excel("epidemic_dxy.xlsx")print(epidemic_dxy.groupby(epidemic_dxy['continents'])['confirmedCount', 'suspectedCount', 'curedCount', 'deadCount'].sum())# 輸出內容confirmedCount suspectedCount curedCount deadCount continents 亞洲 5940 0 399 83 其他 705 0 0 6 北美洲 107 0 7 1 南美洲 8 0 0 0 大洋洲 30 0 15 1 歐洲 2199 0 123 36 非洲 4 0 1 0

這里的 epidemic_dxy[‘continents’] 本身就是一個 Series ，可以看到和上面使用列名進行分組無任何不同。
在分組的時候，除了可以使用一個列或者 Series ，還可以使用多個，只需要在 groupby() 的參數中進行添加即可，如下：

import pandas as pd# 數據導入 epidemic_dxy = pd.read_excel("epidemic_dxy.xlsx")print(epidemic_dxy.groupby([epidemic_dxy['continents'], epidemic_dxy['provinceName']])['confirmedCount', 'suspectedCount', 'curedCount', 'deadCount'].sum())# 輸出內容confirmedCount suspectedCount curedCount deadCount continents provinceName 亞洲 亞美尼亞 1 0 0 0以色列 10 0 1 0伊拉克 19 0 0 0伊朗 978 0 175 54卡塔爾 1 0 0 0 ... ... ... ... ... 歐洲 荷蘭 10 0 0 0西班牙 84 0 2 0 非洲 埃及 2 0 1 0尼日利亞 1 0 0 0阿爾及利亞 1 0 0 0[65 rows x 4 columns]

我們這里使用了七大洲和國家進行分組，可以看到整個求和的數據集已經按照七大洲和國家求和列出了。
你以為分組到這里就算完了？
nonono，下面還有個神奇的家伙 —— aggregate() 。
aggregate() 這個方法是做什么的呢？
如果我們想在一次分組中，進行兩次匯總運算，那么，就要用到這個函數了，比如，我想在剛才的數據中先計數，在求和，那么可以這么寫：

import pandas as pd# 數據導入 epidemic_dxy = pd.read_excel("epidemic_dxy.xlsx")print(epidemic_dxy.groupby(epidemic_dxy['continents'])['confirmedCount', 'suspectedCount', 'curedCount', 'deadCount'].aggregate(['count', 'sum']))# 輸出內容count sum count ... sum count sum continents ... 亞洲 26 5940 26 ... 399 26 83 其他 1 705 1 ... 0 1 6 北美洲 4 107 4 ... 7 4 1 南美洲 2 8 2 ... 0 2 0 大洋洲 2 30 2 ... 15 2 1 歐洲 27 2199 27 ... 123 27 36 非洲 3 4 3 ... 1 3 0[7 rows x 8 columns]

怎么樣，是不是很神奇，左邊是計數，右邊是求和。

不過有一點要注意下，在我們對數據進行分組運算完成后，有時候會需要對數據進行進一步的處理，由于分組運算后的結果并不是標準的 DataFrame 形式，需要我們對它進行進一步的轉化，這里用到的方法就是重置索引 reset_index() 。

import pandas as pd# 數據導入 epidemic_dxy = pd.read_excel("epidemic_dxy.xlsx")new_dataframe = epidemic_dxy.groupby(epidemic_dxy['continents'])['confirmedCount', 'suspectedCount', 'curedCount', 'deadCount'].sum().reset_index()print(new_dataframe)# 輸出內容continents confirmedCount suspectedCount curedCount deadCount 0 亞洲 5940 0 399 83 1 其他 705 0 0 6 2 北美洲 107 0 7 1 3 南美洲 8 0 0 0 4 大洋洲 30 0 15 1 5 歐洲 2199 0 123 36 6 非洲 4 0 1 0

這樣，我們就得到了一個新的 DataFrame ，可以在這個新的 DataFrame 進行新的騷操作了。

本篇的內容到這里才算結束，各位看更的同學，記得要手寫代碼哦~~~

總結

以上是生活随笔為你收集整理的小白学 Python 数据分析（7）：Pandas 数据分组的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。