在 pandas 以類別分組資料

在 Python 中處理類別資料

Kasey Jones

Research Data Scientist

.groupby() 基礎：切分資料

adult = pd.read_csv("data/adult.csv")
adult1 = adult[adult["Above/Below 50k"] == " <=50K"]
adult2 = adult[adult["Above/Below 50k"] == " >50K"]

被 {{2}} 取代

groupby_object = adult.groupby(by=["Above/Below 50k"])

.groupby() 基礎：套用函式

groupby_object = adult.groupby(by=["Above/Below 50k"])

套用函式：

groupby_object.mean()

                       Age        fnlgwt  Education Num  Capital Gain ...
Above/Below 50k                                                                                
 <=50K           36.783738  190340.86517       9.595065    148.752468 ...   
 >50K            44.249841  188005.00000      11.611657   4006.142456 ...

一行解：

adult.groupby(by=["Above/Below 50k"]).mean()

指定欄位

作法 1：只對兩欄執行 .sum()。

adult.groupby(by=["Above/Below 50k"])['Age', 'Education Num'].sum()

                    Age  Education Num
Above/Below 50k                       
 <=50K           909294         237190
 >50K            346963          91047

作法 2：先對所有數值欄執行 .sum()，再篩選欄位。

adult.groupby(by=["Above/Below 50k"]).sum()[['Age', 'Education Num']]

建議用作法 1——特別是大型資料集時。

多欄位 groupby

adult.groupby(by=["Above/Below 50k", "Marital Status"]).size()

Above/Below 50k  Marital Status        
 <=50K            Divorced                  3980
                  Married-AF-spouse           13
                  Married-civ-spouse        8284
                  Married-spouse-absent      384
                  Never-married            10192
                  Separated                  959
                  Widowed                    908
 >50K             Divorced                   463
                  Married-AF-spouse           10 <--- 只有 10 筆紀錄
                  Married-civ-spouse        6692
    ...

練習使用 .groupby()

在 Python 中處理類別資料