Python 使用pandas GroupBy获取每组的统计数据（如计数、平均值等）？

我有一个数据框

df

，我使用了从它到

groupby

的几个列：

df['col1','col2','col3','col4'].groupby(['col1','col2']).mean()

通过上面的方法，我几乎可以得到我需要的表（数据帧）。缺少的是一个额外的列，其中包含每个组中的行数。换句话说，我的意思是，但我也想知道有多少数字被用来获得这些方法。例如，第一组中有8个值，第二组中有10个值，依此类推

---

简而言之：如何获取数据帧的分组统计信息？

在

groupby

对象上，

agg

函数可以立即获取列表。这将为您提供所需的结果：

df[['col1', 'col2', 'col3', 'col4']].groupby(['col1', 'col2']).agg(['mean', 'count'])

快速回答： 获取每个组的行数的最简单方法是调用

.size（）

，它返回一个

系列

：

df.groupby(['col1','col2']).size()

通常，您希望将此结果作为

数据帧

（而不是

系列

），因此您可以执行以下操作：

df.groupby(['col1', 'col2']).size().reset_index(name='counts')

如果您想了解如何计算每组的行数和其他统计信息，请继续阅读下面的内容。

---

详细示例： 考虑以下示例数据帧：

In [2]: df
Out[2]: 
  col1 col2  col3  col4  col5  col6
0    A    B  0.20 -0.61 -0.49  1.49
1    A    B -1.53 -1.01 -0.39  1.82
2    A    B -0.44  0.27  0.72  0.11
3    A    B  0.28 -1.32  0.38  0.18
4    C    D  0.12  0.59  0.81  0.66
5    C    D -0.13 -1.65 -1.64  0.50
6    C    D -1.42 -0.11 -0.18 -0.44
7    E    F -0.00  1.42 -0.26  1.17
8    E    F  0.91 -0.47  1.35 -0.34
9    G    H  1.48 -0.63 -1.14  0.17

首先，让我们使用

.size（）

获取行计数：

In [3]: df.groupby(['col1', 'col2']).size()
Out[3]: 
col1  col2
A     B       4
C     D       3
E     F       2
G     H       1
dtype: int64

In [4]: df.groupby(['col1', 'col2']).size().reset_index(name='counts')
Out[4]: 
  col1 col2  counts
0    A    B       4
1    C    D       3
2    E    F       2
3    G    H       1

然后让我们使用

.size（）.reset_index（name='counts'）

获取行计数：

In [3]: df.groupby(['col1', 'col2']).size()
Out[3]: 
col1  col2
A     B       4
C     D       3
E     F       2
G     H       1
dtype: int64

In [4]: df.groupby(['col1', 'col2']).size().reset_index(name='counts')
Out[4]: 
  col1 col2  counts
0    A    B       4
1    C    D       3
2    E    F       2
3    G    H       1

包括更多统计数据的结果 要计算分组数据的统计信息时，通常如下所示：

In [5]: (df
   ...: .groupby(['col1', 'col2'])
   ...: .agg({
   ...:     'col3': ['mean', 'count'], 
   ...:     'col4': ['median', 'min', 'count']
   ...: }))
Out[5]: 
            col4                  col3      
          median   min count      mean count
col1 col2                                   
A    B    -0.810 -1.32     4 -0.372500     4
C    D    -0.110 -1.65     3 -0.476667     3
E    F     0.475 -0.47     2  0.455000     2
G    H    -0.630 -0.63     1  1.480000     1

In [6]: gb = df.groupby(['col1', 'col2'])
   ...: counts = gb.size().to_frame(name='counts')
   ...: (counts
   ...:  .join(gb.agg({'col3': 'mean'}).rename(columns={'col3': 'col3_mean'}))
   ...:  .join(gb.agg({'col4': 'median'}).rename(columns={'col4': 'col4_median'}))
   ...:  .join(gb.agg({'col4': 'min'}).rename(columns={'col4': 'col4_min'}))
   ...:  .reset_index()
   ...: )
   ...: 
Out[6]: 
  col1 col2  counts  col3_mean  col4_median  col4_min
0    A    B       4  -0.372500       -0.810     -1.32
1    C    D       3  -0.476667       -0.110     -1.65
2    E    F       2   0.455000        0.475     -0.47
3    G    H       1   1.480000       -0.630     -0.63

上面的结果处理起来有点烦人，因为嵌套的列标签，而且行计数是基于每列的

为了更好地控制输出，我通常将统计数据拆分为单独的聚合，然后使用

join

进行组合。看起来是这样的：

In [5]: (df
   ...: .groupby(['col1', 'col2'])
   ...: .agg({
   ...:     'col3': ['mean', 'count'], 
   ...:     'col4': ['median', 'min', 'count']
   ...: }))
Out[5]: 
            col4                  col3      
          median   min count      mean count
col1 col2                                   
A    B    -0.810 -1.32     4 -0.372500     4
C    D    -0.110 -1.65     3 -0.476667     3
E    F     0.475 -0.47     2  0.455000     2
G    H    -0.630 -0.63     1  1.480000     1

In [6]: gb = df.groupby(['col1', 'col2'])
   ...: counts = gb.size().to_frame(name='counts')
   ...: (counts
   ...:  .join(gb.agg({'col3': 'mean'}).rename(columns={'col3': 'col3_mean'}))
   ...:  .join(gb.agg({'col4': 'median'}).rename(columns={'col4': 'col4_median'}))
   ...:  .join(gb.agg({'col4': 'min'}).rename(columns={'col4': 'col4_min'}))
   ...:  .reset_index()
   ...: )
   ...: 
Out[6]: 
  col1 col2  counts  col3_mean  col4_median  col4_min
0    A    B       4  -0.372500       -0.810     -1.32
1    C    D       3  -0.476667       -0.110     -1.65
2    E    F       2   0.455000        0.475     -0.47
3    G    H       1   1.480000       -0.630     -0.63

---

脚注 用于生成测试数据的代码如下所示：

In [1]: import numpy as np
   ...: import pandas as pd 
   ...: 
   ...: keys = np.array([
   ...:         ['A', 'B'],
   ...:         ['A', 'B'],
   ...:         ['A', 'B'],
   ...:         ['A', 'B'],
   ...:         ['C', 'D'],
   ...:         ['C', 'D'],
   ...:         ['C', 'D'],
   ...:         ['E', 'F'],
   ...:         ['E', 'F'],
   ...:         ['G', 'H'] 
   ...:         ])
   ...: 
   ...: df = pd.DataFrame(
   ...:     np.hstack([keys,np.random.randn(10,4).round(2)]), 
   ...:     columns = ['col1', 'col2', 'col3', 'col4', 'col5', 'col6']
   ...: )
   ...: 
   ...: df[['col3', 'col4', 'col5', 'col6']] = \
   ...:     df[['col3', 'col4', 'col5', 'col6']].astype(float)
   ...: 

免责声明：

df = df.groupby(['col1','col2']).agg(['mean', 'count'])
df.columns = [ ' '.join(str(i) for i in col) for col in df.columns]
df.reset_index(inplace=True)
df

---

如果要聚合的某些列具有空值，那么您确实希望将组行计数视为每个列的独立聚合。否则，您可能会被误导，不知道实际使用了多少条记录来计算平均值，因为熊猫会在平均值计算中删除

NaN

条目，而不告诉您

通过使用groupby和count，我们可以很容易地做到这一点。但是，我们应该记住使用reset_index（）

瑞士军刀： 返回各组的

计数

、

平均值

、

标准值

，以及其他有用的统计信息

df.groupby(['A', 'B'])['C'].describe()

           count  mean   std   min   25%   50%   75%   max
A   B                                                     
bar one      1.0  0.40   NaN  0.40  0.40  0.40  0.40  0.40
    three    1.0  2.24   NaN  2.24  2.24  2.24  2.24  2.24
    two      1.0 -0.98   NaN -0.98 -0.98 -0.98 -0.98 -0.98
foo one      2.0  1.36  0.58  0.95  1.15  1.36  1.56  1.76
    three    1.0 -0.15   NaN -0.15 -0.15 -0.15 -0.15 -0.15
    two      2.0  1.42  0.63  0.98  1.20  1.42  1.65  1.87

要获得特定的统计数据，只需选择它们

df.groupby(['A', 'B'])['C'].describe()[['count', 'mean']]

           count      mean
A   B                     
bar one      1.0  0.400157
    three    1.0  2.240893
    two      1.0 -0.977278
foo one      2.0  1.357070
    three    1.0 -0.151357
    two      2.0  1.423148

descripe

适用于多列（将

['C']

更改为

['C'，D']

——或者将其全部删除，然后查看会发生什么，结果是一个多索引列数据帧）

您还可以获得字符串数据的不同统计信息。举个例子

df2 = df.assign(D=list('aaabbccc')).sample(n=100, replace=True)

with pd.option_context('precision', 2):
    display(df2.groupby(['A', 'B'])
               .describe(include='all')
               .dropna(how='all', axis=1))

              C                                                   D                
          count  mean       std   min   25%   50%   75%   max count unique top freq
A   B                                                                              
bar one    14.0  0.40  5.76e-17  0.40  0.40  0.40  0.40  0.40    14      1   a   14
    three  14.0  2.24  4.61e-16  2.24  2.24  2.24  2.24  2.24    14      1   b   14
    two     9.0 -0.98  0.00e+00 -0.98 -0.98 -0.98 -0.98 -0.98     9      1   c    9
foo one    22.0  1.43  4.10e-01  0.95  0.95  1.76  1.76  1.76    22      2   a   13
    three  15.0 -0.15  0.00e+00 -0.15 -0.15 -0.15 -0.15 -0.15    15      1   c   15
    two    26.0  1.49  4.48e-01  0.98  0.98  1.87  1.87  1.87    26      2   b   15

有关更多信息，请参阅

---

熊猫>=1.1： pandas 1.1提供了这一功能，如果您只想捕获每个组的大小，这将减少

GroupBy

，而且速度更快

df.value_counts(subset=['col1', 'col2'])

最小示例

# Setup
np.random.seed(0)
df = pd.DataFrame({'A' : ['foo', 'bar', 'foo', 'bar',
                          'foo', 'bar', 'foo', 'foo'],
                   'B' : ['one', 'one', 'two', 'three',
                          'two', 'two', 'one', 'three'],
                   'C' : np.random.randn(8),
                   'D' : np.random.randn(8)})

df.value_counts(['A', 'B']) 

A    B    
foo  two      2
     one      2
     three    1
bar  two      1
     three    1
     one      1
dtype: int64

---

---

如果您没有找到上面要查找的内容，则具有支持的静态分析、相关性和回归工具的全面列表。

创建组对象并调用方法，如以下示例所示：

grp = df.groupby(['col1',  'col2',  'col3']) 

grp.max() 
grp.mean() 
grp.describe() 

---

要获取多个统计信息，请折叠索引并保留列名：

df = df.groupby(['col1','col2']).agg(['mean', 'count'])
df.columns = [ ' '.join(str(i) for i in col) for col in df.columns]
df.reset_index(inplace=True)
df

产生：

df = df.groupby(['col1','col2']).agg(['mean', 'count'])
df.columns = [ ' '.join(str(i) for i in col) for col in df.columns]
df.reset_index(inplace=True)
df

请尝试此代码

new_column=df[['col1', 'col2', 'col3', 'col4']].groupby(['col1', 'col2']).count()
df['count_it']=new_column
df

---

我认为该代码将添加一个名为“count it”的列，该列对每个组进行计数

如果您熟悉tidyverse R软件包，下面是一种在python中执行此操作的方法：

从数据r.all导入TIBLE、rnorm、f、group_by、SUMMARY、mean、n、rep
df=tibble(
col1=rep（['A'，'B']，5），
col2=rep（['C'，'D']，每个=5），
col3=rnorm（10），
col4=rnorm（10）
)
df>>分组依据（f.col1，f.col2）>>总结(
计数=n（），
col3_mean=平均值（f.col3），
col4_平均值=平均值（f.col4）
)

---

我是这个包裹的作者。如果您对如何使用它有任何疑问，请随时提交问题。

我认为您需要列参考作为列表。你的意思可能是：

df[['col1'，'col2'，'col3'，'col4']].groupby（['col1'，'col2']）.agg（['mean'，'count']）

这会创建四个计数列，但如何只获得一个？（这个问题要求“增加一列”，这也是我想要的。）如果你想每组只得到一列，请看我的答案。如果我有一个单独的被调用的计数，而不是对分组类型的行进行计数，我需要将列计数加起来。@Jaan

result=df['col1'，'col2'，'col3'，'col4'].groupby（['col1'，'col2']）.mean（）；counts=times.groupby（['col1'，'col2']）.size（）；result['count']=counts

嘿，我真的很喜欢你的解决方案，尤其是最后一个，你使用方法链接。然而，由于经常需要对不同的列应用不同的聚合函数，因此也可以使用pd.concat来解析结果数据帧。这可能比subsquent chainingnice解决方案更容易阅读，但是对于[5]中的

：counts\u df=pd.DataFrame（df.groupby（'col1'）.size（）.rename（'counts'））

，如果您想要操作数据帧进行进一步分析，可能最好将size（）设置为一个新列，这应该是

counts\u df=pd.DataFrame（df.groupby（'col1'））.size（）.reset_index（name='counts'）

感谢“包含结果以获取更多统计信息”位！由于我的下一次搜索是关于将结果列上的多索引展平，因此我将在此处链接到答案：太好了！您能给我一个提示，如何将

isnull

添加到此查询中，使其也包含在一列中吗？

'col4'：['median'，'min'，'count'，'isnull']

如何广播计数？（使用

groupby（…）时，我无法使
transform
起作用。只要