Cum se utilizează metoda .groupby() pe un DataFrame?

Exersarea întrebărilor de interviu de programare în Python

Kirill Smirnov

Data Science Consultant, Altran

Set de date

retinol = pd.read_csv('retinol.csv')
retinol = retinol[['age','gender','smoking','bmi','vitamin use','plasma B-carotene','plasma retinol']]
print(retinol.head())
   age  gender smoking       bmi       vitamin use  plasma B-carotene  plasma retinol
0   64  Female  Former  21.48380  Yes_fairly_often                200             915
1   76  Female   Never  23.87631  Yes_fairly_often                124             727
2   38  Female  Former  20.01080     Yes_not_often                328             721
3   40  Female  Former  25.14062                No                153             615
4   72  Female   Never  20.98504  Yes_fairly_often                 92             799

factori de fond $\rightarrow$ plasma B-carotene, plasma retinol

Exersarea întrebărilor de interviu de programare în Python

.groupby()

grupează datele după anumite criterii, permițând efectuarea de operații pe fiecare grup.

df.groupby(column_name(s))

gens = retinol.groupby('gender')
print(gens)
<pandas.core.groupby.groupby.DataFrameGroupBy object at 0x00000262DB5E2780>
gensmoks = retinol.groupby(['gender', 'smoking'])
print(gensmoks)
<pandas.core.groupby.groupby.DataFrameGroupBy object at 0x00000262DB5F57B8>
Exersarea întrebărilor de interviu de programare în Python

Iterarea prin rezultatul .groupby()

gens = retinol.groupby('gender')

for group in gens:
    # Each group is a tuple
    # First element is a grouping factor
    print(group[0]) 
    # Second element is a DataFrame
    print(group[1].head(3))
len(gens)
2
Female
   age  gender smoking       bmi  ...
0   64  Female  Former  21.48380  ...
1   76  Female   Never  23.87631  ...
2   38  Female  Former  20.01080  ...
Male
    age gender smoking       bmi  ...
12   57   Male   Never  31.73039  ...
14   66   Male   Never  27.31916  ...
15   64   Male  Former  31.44674  ...
Exersarea întrebărilor de interviu de programare în Python

Iterarea prin rezultatul .groupby()

gensmoks = retinol.groupby(['gender', 'smoking'])

for group in gensmoks:
    # Each group is a tuple
    # First element is a grouping factor
    print(group[0]) 
    # Second element is a DataFrame
    print(group[1].head(3))
len(gensmoks)
6
('Female', 'Current_Smoker')
    age  gender         smoking       bmi ...
32   74  Female  Current_Smoker  16.33114 ...
35   44  Female  Current_Smoker  25.87867 ...
43   31  Female  Current_Smoker  23.34593 ...
('Female', 'Former')
   age  gender smoking       bmi ...
0   64  Female  Former  21.48380 ...
2   38  Female  Former  20.01080 ...
3   40  Female  Former  25.14062 ...
('Female', 'Never')
   age  gender smoking       bmi ...
1   76  Female   Never  23.87631 ...
4   72  Female   Never  20.98504 ...
...
Exersarea întrebărilor de interviu de programare în Python

Operații standard pe grupuri

gens = retinol.groupby('gender')
retinol['plasma retinol'].mean()
602.790476
retinol['vitamin use'].count()
315
gens['plasma retinol'].mean()
        plasma retinol
gender                
Female      587.721612
Male        700.738095
gens['vitamin use'].count()
        vitamin use
gender             
Female          273
Male             42
Exersarea întrebărilor de interviu de programare în Python

Metoda .agg()

.agg(function, axis= , args= ) - aproape identică cu metoda .apply()

import numpy as np

retinol['plasma retinol'].agg(np.mean)
602.790476
Exersarea întrebărilor de interviu de programare în Python

Metoda .agg()

.agg(function, axis= , args= ) - aproape identică cu metoda .apply()

import numpy as np

retinol[['plasma B-carotene', 'plasma retinol']].agg(np.mean)
plasma B-carotene    189.892063
plasma retinol       602.790476
dtype: float64
Exersarea întrebărilor de interviu de programare în Python

Metoda .agg()

.agg(function, axis= , args= ) - aproape identică cu metoda .apply()

import numpy as np

retinol[['plasma B-carotene', 'plasma retinol']].agg([np.mean, np.std])
      plasma B-carotene  plasma retinol
mean         189.892063      602.790476
std          183.000803      208.895474
Exersarea întrebărilor de interviu de programare în Python

.groupby() urmat de .agg()

gens = retinol.groupby('gender')
gens['plasma retinol'].agg([np.mean, np.std])
       plasma retinol            
                 mean         std
gender                           
Female     587.721612  185.430687
Male       700.738095  307.808783
gensmoks = retinol.groupby(['gender', 'smoking'])
gensmoks['plasma retinol'].agg([np.mean, np.std])
                      plasma retinol            
                                mean         std
gender smoking                                  
Female Current_Smoker     556.111111  191.112649
       Former             607.752688  187.983733
       Never              582.687500  182.182398
Male   Current_Smoker     598.857143  289.618961
       Former             798.500000  323.196203
       Never              590.153846  249.307991
Exersarea întrebărilor de interviu de programare în Python

Funcții proprii și expresii lambda

gens = retinol.groupby('gender')
def n_more_than_mean(series):
    result = series[series > np.mean(series)]
    return len(result)
gens[['plasma B-carotene', 'retinol']].agg(n_more_than_mean)
        plasma B-carotene  plasma retinol
gender                                   
Female                 87             119
Male                   13              19
Exersarea întrebărilor de interviu de programare în Python

Funcții proprii și expresii lambda

gens = retinol.groupby('gender')
def n_more_than_mean(series):
    result = series[series > np.mean(series)]
    return len(result)
gens[['plasma B-carotene', 'plasma retinol']].agg([n_more_than_mean, lambda x: len(x)])
          plasma B-carotene                plasma retinol         
       count_more_than_mean <lambda> count_more_than_mean <lambda>
gender                                                            
Female                   87      273                  119      273
Male                     13       42                   19       42
Exersarea întrebărilor de interviu de programare în Python

Redenumirea rezultatelor

gens = retinol.groupby('gender')
def n_more_than_mean(series):
    result = series[series > np.mean(series)]
    return len(result)
gens[['plasma B-carotene', 'plasma retinol']].agg({'count': n_more_than_mean, 'len': lambda x: len(x)})
                   count                              len               
       plasma B-carotene plasma retinol plasma B-carotene plasma retinol
gender                                                                  
Female                87            119               273            273
Male                  13             19                42             42
Exersarea întrebărilor de interviu de programare în Python

Metoda .transform()

.transform(function, axis= , args= ) - aproape identică cu metoda .apply()

  • Intrarea și ieșirea trebuie să aibă aceeași dimensiune
import numpy as np

def center_scale(series):
    return (series - np.mean(series))/np.std(series)
Exersarea întrebărilor de interviu de programare în Python

DataFrame și metoda .transform()

compounds = ['plasma B-carotene', 'retinol']
df = retinol[compounds].transform(center_scale)

print(df)
     plasma B-carotene  plasma retinol
0             0.055322        1.496951
1            -0.360637        0.595547
2             0.755886        0.566779
3            -0.201916        0.058541
4            -0.535778        0.940766
5            -0.229282        0.245534
6             0.372765        1.108580
...
309          -0.251174        0.715415
310          -0.141711       -1.854544
311          -0.601456       -1.317538
312           0.602637       -0.483260
313          -0.377057        0.389375
314           0.235936        1.070223
Exersarea întrebărilor de interviu de programare în Python

.groupby() urmat de .transform()

gensmoks = retinol.groupby(['gender', 'smoking'])
compounds = ['plasma B-carotene', 'retinol']
df = gensmoks[compounds].transform(center_scale)

print(df)
     plasma B-carotene  plasma retinol
0            -0.018568        1.643294
1            -0.436191        0.794897
2             0.629616        0.605697
3            -0.256573        0.038762
4            -0.597427        1.191485
5            -0.281892        0.247351
6             0.238985        1.384270
...
309          -0.302148        0.771498
310          -0.200869       -2.095267
311          -0.657891       -1.402860
312           0.450607       -0.444440
313          -0.418619        0.407804
314           0.113019        1.340205
Exersarea întrebărilor de interviu de programare în Python

.groupby() urmat de .transform()

gensmoks = retinol.groupby(['gender', 'smoking'])
compounds = ['plasma B-carotene', 'retinol']
df = gensmoks[compounds].transform(
    lambda x: (x - np.mean(x))/np.std(x)
)

print(df)
     plasma B-carotene  plasma retinol
0            -0.018568        1.643294
1            -0.436191        0.794897
2             0.629616        0.605697
3            -0.256573        0.038762
4            -0.597427        1.191485
5            -0.281892        0.247351
6             0.238985        1.384270
...
309          -0.302148        0.771498
310          -0.200869       -2.095267
311          -0.657891       -1.402860
312           0.450607       -0.444440
313          -0.418619        0.407804
314           0.113019        1.340205
Exersarea întrebărilor de interviu de programare în Python

Metoda .filter() a obiectului DataFrameGroupBy

.filter(function)

function $\rightarrow$ True - grupul rămâne

function $\rightarrow$ False - grupul este eliminat

function(pd.DataFrame) - funcția acționează asupra întregului DataFrame din fiecare grup.

Exersarea întrebărilor de interviu de programare în Python

.groupby() urmat de .filter()

gensmoks = retinol.groupby(['gender', 'smoking'])
len(gensmoks)
6
def check_bmi(dataframe):
    return np.mean(dataframe['bmi']) > 26
retinol_filtered = gensmoks.filter(check_bmi)
print(retinol_filtered)
     age  gender         smoking       bmi ...
1     76  Female           Never  23.87631 ...
4     72  Female           Never  20.98504 ...
6     65  Female           Never  22.01154 ...
7     58  Female           Never  28.75702 ...
8     35  Female           Never  23.07662 ...
11    40  Female           Never  36.43161 ...
13    66  Female           Never  21.78854 ...
...
299   47  Female           Never  37.27761 ...
302   41  Female           Never  34.61493 ...
306   66  Female           Never  33.10759 ...
311   45  Female           Never  23.82703 ...
312   49  Female           Never  24.26126 ...
314   45  Female           Never  26.50808 ...
Exersarea întrebărilor de interviu de programare în Python

.groupby() urmat de .filter()

gensmoks = retinol.groupby(['gender', 'smoking'])
len(gensmoks)
6
def check_bmi(dataframe):
    return np.mean(dataframe['bmi']) > 26
retinol_filtered = gensmoks.filter(check_bmi)
len(retinol_filtered.groupby(['gender', 'smoking']))
3
Exersarea întrebărilor de interviu de programare în Python

Să exersăm!

Exersarea întrebărilor de interviu de programare în Python

Preparing Video For Download...