Pandas：DataFrameGroupby 的聚合

Question

我正在使用这个数据集census.csv

代码：

df = pd.read_csv('Data/census.csv')
df = df[df['SUMLEV']==50]

print(df.head())

这是我的数据的样子：

   SUMLEV  REGION  DIVISION  ...  RNETMIG2013  RNETMIG2014 RNETMIG2015
1      50       3         6  ...    -2.722002     2.592270   -2.187333
2      50       3         6  ...    22.727626    20.317142   18.293499
3      50       3         6  ...    -7.167664    -3.978583  -10.543299
4      50       3         6  ...    -5.403729     0.754533    1.107861
5      50       3         6  ...    -1.402476    -1.577232   -0.884411

我想在按“STNAME”分组后对两列进行汇总：

(df.set_index('STNAME').groupby(level=0)['POPESTIMATE2010','POPESTIMATE2011'].agg(Avg= np.average, Sum = np.sum))

错误：

----> 3 (df.set_index('STNAME').groupby(level=0)['POPESTIMATE2010','POPESTIMATE2011'].agg(Avg= np.average, Sum = np.sum))

f:\software_installations\anaconda3\lib\site-packages\pandas\core\groupby\generic.py in aggregate(self, func, *args, **kwargs)
    922         elif func is None:
    923             # nicer error message
--> 924             raise TypeError("Must provide 'func' or tuples of '(column, aggfunc).")
    925 
    926         func = _maybe_mangle_lambdas(func)

TypeError: Must provide 'func' or tuples of '(column, aggfunc).

Answer 1

虽然其他人很快给出了单行代码片段，但我尝试更多地解释您拥有的选项类型，以及 pandasagg()函数理解的语法是什么。

我们在处理什么？

您正在处理的对象的类型是

type(df.set_index('STNAME').groupby(level=0)[['POPESTIMATE2010','POPESTIMATE2011']])
# pandas.core.groupby.generic.DataFrameGroupBy

因此，查看pandas.DataFrameGroupby.agg的文档可能是一个好的开始

文档怎么说？

给出的参数agg可以是

(1) string (function name)
(2) function
(3) list of functions
(4) dict of column  names -> functions (or list of functions).

(1) 字符串（函数名）

如果你给函数名字符串作为参数，它必须是一个“pandas 理解的函数名”。理解的函数名称至少是：'sum','mean','std'. 例子：

type(df.set_index('STNAME').groupby(level=0)[['POPESTIMATE2010','POPESTIMATE2011']])
# pandas.core.groupby.generic.DataFrameGroupBy

由于您想要计算两件事：mean 和 sum，您需要两个函数调用。一种带有“均值”，一种带有“总和”。

(2) 功能

您还可以将任何函数作为参数。该函数应该将类似数组的数据 (pd.Series) 作为输入，并从中产生标量值。例子：

(1) string (function name)
(2) function
(3) list of functions
(4) dict of column  names -> functions (or list of functions).

由于您想要计算两件事：mean 和 sum，您需要两个函数调用。一个是 np.mean，一个是 np.sum。

(3) 功能列表

您还可以给出 的参数的函数列表agg()。例子：

In [24]: df.set_index('STNAME').groupby(level=0)[['POPESTIMATE2010','POPESTIMATE2011']].agg('mean')
Out[24]:
                      POPESTIMATE2010  POPESTIMATE2011
STNAME
Alabama                  71420.313433     71658.328358
Alaska                   24621.413793     24921.379310
Arizona                 427213.866667    431248.800000
...

这样做的好处是您只需要一个函数调用。如果您希望使用多列计算相同的操作，请使用此选项

(4) dict到列名->函数

如果将字典作为参数提供给agg()，则键必须表示数据框中的列名称，并且值应该是函数或函数列表。例子：

In [30]: In [27]: df.set_index('STNAME').groupby(level=0)[['POPESTIMATE2010','POPESTIMATE2011']].agg({"POPESTIMATE2010": [np.mean, np.sum], "POPESTIMATE2011": [np.mean, np.sum]})
Out[30]:
                     POPESTIMATE2010           POPESTIMATE2011
                             average       sum            mean       sum
STNAME
Alabama                 71420.313433   4785161    71658.328358   4801108
Alaska                  24621.413793    714021    24921.379310    722720
Arizona                427213.866667   6408208   431248.800000   6468732
...

这样做的好处是您只需要一个函数调用。如果您希望使用不同的列计算不同的操作，请使用此选项