Pandas GroupBy là một hàm mạnh mẽ và linh hoạt trong Python. Nó cho phép bạn chia dữ liệu của mình thành các nhóm riêng biệt để thực hiện các phép tính nhằm phân tích tốt hơn, cũng hoàn toàn tương tự như groupby trong SQL.
Hãy để tôi lấy một ví dụ để giải thích rõ hơn về điều này. Giả sử chúng ta có một file Sales.xlsx tổng hợp các đơn hàng trong ngày và chúng ta muốn xem mặt hàng nào có doanh số cao nhất, thấp nhất trong ngày [cột order] thì sẽ làm như sau.
Để làm tất cả các bước trên trong python chỉ cần một câu lệnh groupby đơn giản.¶
Trước hết cần load dữ liệu file Sales lên:
import pandas as pd Sales = pd.read_excel['Sales.xlsx'] Sales
| 383080 | 10001 | 235.83 |
| 383080 | 10001 | 232.32 |
| 383080 | 10001 | 107.97 |
| 412290 | 10005 | 2679.36 |
| 412290 | 10005 | 286.02 |
| 412290 | 10005 | 832.95 |
| 412290 | 10005 | 3472.04 |
| 412290 | 10005 | 915.12 |
| 218895 | 10006 | 3061.12 |
| 218895 | 10006 | 518.65 |
| 218895 | 10006 | 216.90 |
| 218895 | 10006 | -72.18 |
Sau đó dùng một câu lệnh groupby đơn giản để nhóm dữ liệu theo cột 'order'
# groupby['order'] là cột tiêu chí mà chúng ta muốn nhóm dữ liệu theo tiêu chí đó, có thể có một hoặc nhiều tiêu chí # agg[{'ext price': 'sum'}] là cột dữ liệu mà chúng ta đang muốn nhóm, và nhóm theo kiểu lấy tổng [sum] Sales_grouped = Sales.groupby[by='order'].agg[{'ext price': 'sum'}] Sales_grouped
| 576.12 |
| 8185.49 |
| 3724.49 |
account
# sort_values[by='ext price', ascending=True] lệnh sắp xếp dữ liệu theo cột 'ext price' theo thứ tự tăng dần [ascending=True], nếu giảm dần thì [ascending=False] Sales_grouped = Sales.groupby['order',group_keys=False].agg[{'ext price': 'sum'}].sort_values[by='ext price', ascending=True] Sales_grouped
| 576.12 |
| 3724.49 |
| 8185.49 |
account
order
- ext price : chỉ định tiêu chí, đối tượng cần nhóm, như cột 'order' trong ví dụ trên.
- Sau đó dùng một câu lệnh groupby đơn giản để nhóm dữ liệu theo cột 'order' : kiểu số nguyên hoặc chuỗi: Nếu trục là MultiIndex [phân cấp], thì nhóm theo các cấp cụ thể.
- Nếu dữ liệu lớn có thể sắp xếp theo thứ tự tăng hoặc giảm dần để dễ đánh giá : kiểu bool, default=True: Biến cột tiêu chí thành Index [chỉ số], as_index = False thì giữ nguyên index cũ.
- Hàm groupby trong pandas còn có nhiều tham số khác để bạn có thể tùy chỉnh:¶ : kiểu bool, default=True: Sắp xếp cột tiêu chí theo thứ tự.
- DataFrame.groupby[by=None, level=None, as_index=True, sort=True, dropna=True] : kiểu bool, default=True: Loại bỏ những hàng và cột có giá trị Nan
# Tạo Dataframe arrays = [['Chim ưng', 'Chim ưng', 'Vẹt', 'Vẹt'], ['Được nuôi', 'Hoang dã','Được nuôi', 'Hoang dã']] index = pd.MultiIndex.from_arrays[arrays, names=['Loài', 'Môi trường sống']] df = pd.DataFrame[{'Vận tốc tối đa [km/h]': [390., 350., 30., 20.]}, index=index] df
| 390.0 |
| 350.0 |
| 30.0 |
| 20.0 |
# Tính vận tốc trung bình của từng loài df.groupby[level='Loài'].mean[]
| 370.0 |
| 25.0 |
# Tính vận tốc trung bình theo môi trường sống # level 1 tương ứng với 'Môi trường sống' df.groupby[level=1].mean[]
| 185.0 |
| 210.0 |
# Tạo Dataframe array = [[1, 2, 3], [1, None, 4], [2, 1, 3], [1, 2, 2]] df = pd.DataFrame[array, columns=["a", "b", "c"]] df
| 1 | 2.0 | 3 |
| 1 | Hàm groupby trong pandas còn có nhiều tham số khác để bạn có thể tùy chỉnh:¶ | 4 |
| 2 | 1.0 | 3 |
| 1 | 2.0 | 2 |
# dropna mặc định = True, nên nó sẽ loại bỏ hàng có giá trị NaN df.groupby[by=["b"]].sum[]
# Thử với dropna=False df.groupby[by=["b"], dropna=False].sum[]
| 2 | 3 |
| 2 | 5 |
| 1 | 4 |
Hàm groupby trong pandas còn có nhiều tham số khác để bạn có thể tùy chỉnh:¶ERX VN