Comment utiliser la méthode .groupby() sur un DataFrame ?

S'entraîner aux questions d'entrevue de programmation en Python

Kirill Smirnov

Data Science Consultant, Altran

Ensemble de données

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

facteurs de contexte $\rightarrow$ plasma B-carotene, plasma retinol

S'entraîner aux questions d'entrevue de programmation en Python

.groupby()

regroupe les données selon un critère pour appliquer une opération à chaque groupe.

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>
S'entraîner aux questions d'entrevue de programmation en Python

Parcourir la sortie de .groupby()

gens = retinol.groupby('gender')

for group in gens:
    # Chaque groupe est un tuple
    # Le premier élément est un facteur de regroupement
    print(group[0]) 
    # Le second élément est un 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  ...
S'entraîner aux questions d'entrevue de programmation en Python

Parcourir la sortie de .groupby()

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

for group in gensmoks:
    # Chaque groupe est un tuple
    # Le premier élément est un facteur de regroupement
    print(group[0]) 
    # Le second élément est un 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 ...
...
S'entraîner aux questions d'entrevue de programmation en Python

Opérations standard sur des groupes

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
S'entraîner aux questions d'entrevue de programmation en Python

La méthode .agg()

.agg(function, axis= , args= ) - presque identique à la méthode .apply()

import numpy as np

retinol['plasma retinol'].agg(np.mean)
602.790476
S'entraîner aux questions d'entrevue de programmation en Python

La méthode .agg()

.agg(function, axis= , args= ) - presque identique à la méthode .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
S'entraîner aux questions d'entrevue de programmation en Python

La méthode .agg()

.agg(function, axis= , args= ) - presque identique à la méthode .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
S'entraîner aux questions d'entrevue de programmation en Python

.groupby() suivi 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
S'entraîner aux questions d'entrevue de programmation en Python

Fonctions personnalisées et expressions 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
S'entraîner aux questions d'entrevue de programmation en Python

Fonctions personnalisées et expressions 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
S'entraîner aux questions d'entrevue de programmation en Python

Renommer la sortie

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
S'entraîner aux questions d'entrevue de programmation en Python

La méthode .transform()

.transform(function, axis= , args= ) - presque identique à la méthode .apply()

  • L'entrée et la sortie doivent avoir la même taille
import numpy as np

def center_scale(series):
    return (series - np.mean(series))/np.std(series)
S'entraîner aux questions d'entrevue de programmation en Python

DataFrame et méthode .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
S'entraîner aux questions d'entrevue de programmation en Python

.groupby() suivi 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
S'entraîner aux questions d'entrevue de programmation en Python

.groupby() suivi 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
S'entraîner aux questions d'entrevue de programmation en Python

La méthode .filter() de l'objet DataFrameGroupBy

.filter(function)

function $\rightarrow$ True : le groupe est conservé

function $\rightarrow$ False : le groupe est retiré

function(pd.DataFrame) : la fonction agit sur tout le DataFrame de chaque groupe.

S'entraîner aux questions d'entrevue de programmation en Python

.groupby() suivi 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 ...
S'entraîner aux questions d'entrevue de programmation en Python

.groupby() suivi 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
S'entraîner aux questions d'entrevue de programmation en Python

Passons à la pratique !

S'entraîner aux questions d'entrevue de programmation en Python

Preparing Video For Download...