web-dev-qa-db-ja.com

Pandas GroupByを使用して各グループの統計(count、meanなど)を取得しますか?

私はdfというデータフレームを持っていて、それからgroupbyまでいくつかの列を使います。

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

上記のようにして、必要なテーブル(データフレーム)をほぼ取得できます。欠けているのは、各グループの行数を含む追加の列です。言い換えれば、私は意味を持っていますが、私はまた、これらの平均を得るためにどれだけの数が使われたかを知りたいです。たとえば、最初のグループには8つの値があり、2番目のグループには10というように続きます。

一言で言うと、データフレームの group-wise statisticsを取得するにはどうすればよいですか。

304
Roman

groupbyオブジェクトでは、agg関数はリストを使って いくつかの集計方法を適用することができます - 一度に1つのメソッドを適用することができます。これにより、必要な結果が得られます。

df[['col1', 'col2', 'col3', 'col4']].groupby(['col1', 'col2']).agg(['mean', 'count'])
315
Boud

素早い回答:

グループごとの行数を取得する最も簡単な方法は、.size()を呼び出すことです。これはSeriesを返します。

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


通常、この結果は(DataFrameではなく)Seriesとしたいので、次のようにします。

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


各グループの行数やその他の統計を計算する方法を知りたい場合は、以下を続けてください。


詳細な例:

次の例のデータフレームを考えます。

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

まず、行数を取得するために.size()を使用しましょう。

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

それでは、行数を取得するために.size().reset_index(name='counts')を使用しましょう。

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


より多くの統計の結果を含める

グループ化されたデータに関する統計を計算したい場合、それは通常次のようになります。

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

上記の結果は、列ラベルがネストされているため、また行数が列ごとに計算されるため、対処するのが少し面倒です。

出力をもっと制御するために、私は通常統計を個々の集約に分割し、それをjoinを使って結合します。それはこのように見えます:

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

テストデータを生成するために使用されるコードは以下の通りです。

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)
   ...: 


免責事項:

集計している列の一部にNULL値が含まれている場合は、実際には、グループの行数を各列の独立した集計として見てください。そうでなければ、パンダは平均値計算でNaNエントリを知らせることなくドロップするので、平均値などの計算に実際に使用されているレコード数について誤解される可能性があります。

703
Pedro M Duarte

Groupbyとcountを使うことで簡単にできます。しかし、reset_index()を使うことを忘れないでください。

df[['col1','col2','col3','col4']].groupby(['col1','col2']).count().\
reset_index()
4
Nimesh

それらすべてを支配する1つの機能: GroupBy.describe

グループごとにcountmeanstd、およびその他の有用な統計を返します。

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

# 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)})
from IPython.display import display

with pd.option_context('precision', 2):
    display(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

特定の統計を取得するには、それらを選択するだけです。

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

describeは複数の列に対して機能します(['C']['C', 'D']に変更するか、または完全に削除します - そして何が起こるかを見ると、結果はMultiIndexed columnedデータフレームになります)。

文字列データについてもさまざまな統計が得られます。これが一例です。

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

より詳しい情報は documentation を見てください。

3
cs95

以下の例のように、グループオブジェクトを作成してメソッドを呼び出します。

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

grp.max() 
grp.mean() 
grp.describe() 
0
Mahendra