pandas GroupByを使用して、各グループの統計（カウント、平均など）を取得しますか？

私はデータフレームを持っていて、dfそれからいくつかの列を使用しますgroupby：

df['col1','col2','col3','col4'].groupby(['col1','col2']).mean()

上記の方法で、必要なテーブル（データフレーム）をほぼ取得できます。欠落しているのは、各グループの行数を含む追加の列です。言い換えれば、私は平均を持っていますが、これらの平均を得るためにいくつの数が使用されたかについても知りたいです。たとえば、最初のグループには8つの値があり、2番目のグループには10というように続きます。

つまり、データフレームのグループごとの統計を取得するにはどうすればよいですか？

上のgroupbyオブジェクト、agg関数は、リストを取ることができ、いくつかの集計方法を適用し、一度に。これにより、必要な結果が得られるはずです。

df[['col1', 'col2', 'col3', 'col4']].groupby(['col1', 'col2']).agg(['mean', 'count'])

素早い回答：

グループごとの行数を取得する最も簡単な方法は、を呼び出すことです.size()。これはSeries：を返します。

df.groupby(['col1','col2']).size()

通常、この結果はDataFrame（ではなくSeries）として必要なので、次のことができます。

df.groupby(['col1', 'col2']).size().reset_index(name='counts')

各グループの行数やその他の統計を計算する方法を知りたい場合は、以下を読み続けてください。

詳細な例：

次のサンプルデータフレームについて考えてみます。

In [2]: df
Out[2]: 
  col1 col2  col3  col4  col5  col6
0    A    B  0.20 -0.61 -0.49  1.49
1    A    B -1.53 -1.01 -0.39  1.82
2    A    B -0.44  0.27  0.72  0.11
3    A    B  0.28 -1.32  0.38  0.18
4    C    D  0.12  0.59  0.81  0.66
5    C    D -0.13 -1.65 -1.64  0.50
6    C    D -1.42 -0.11 -0.18 -0.44
7    E    F -0.00  1.42 -0.26  1.17
8    E    F  0.91 -0.47  1.35 -0.34
9    G    H  1.48 -0.63 -1.14  0.17

まず、を使用.size()して行数を取得しましょう。

In [3]: df.groupby(['col1', 'col2']).size()
Out[3]: 
col1  col2
A     B       4
C     D       3
E     F       2
G     H       1
dtype: int64

次に、を使用.size().reset_index(name='counts')して行数を取得しましょう。

In [4]: df.groupby(['col1', 'col2']).size().reset_index(name='counts')
Out[4]: 
  col1 col2  counts
0    A    B       4
1    C    D       3
2    E    F       2
3    G    H       1

より多くの統計のための結果を含む

グループ化されたデータの統計を計算する場合、通常は次のようになります。

In [5]: (df
   ...: .groupby(['col1', 'col2'])
   ...: .agg({
   ...:     'col3': ['mean', 'count'], 
   ...:     'col4': ['median', 'min', 'count']
   ...: }))
Out[5]: 
            col4                  col3      
          median   min count      mean count
col1 col2                                   
A    B    -0.810 -1.32     4 -0.372500     4
C    D    -0.110 -1.65     3 -0.476667     3
E    F     0.475 -0.47     2  0.455000     2
G    H    -0.630 -0.63     1  1.480000     1

上記の結果は、ネストされた列ラベルのため、また行数が列ごとにあるため、処理するのが少し面倒です。

出力をより細かく制御するために、通常、統計を個々の集計に分割し、を使用して結合しjoinます。次のようになります。

In [6]: gb = df.groupby(['col1', 'col2'])
   ...: counts = gb.size().to_frame(name='counts')
   ...: (counts
   ...:  .join(gb.agg({'col3': 'mean'}).rename(columns={'col3': 'col3_mean'}))
   ...:  .join(gb.agg({'col4': 'median'}).rename(columns={'col4': 'col4_median'}))
   ...:  .join(gb.agg({'col4': 'min'}).rename(columns={'col4': 'col4_min'}))
   ...:  .reset_index()
   ...: )
   ...: 
Out[6]: 
  col1 col2  counts  col3_mean  col4_median  col4_min
0    A    B       4  -0.372500       -0.810     -1.32
1    C    D       3  -0.476667       -0.110     -1.65
2    E    F       2   0.455000        0.475     -0.47
3    G    H       1   1.480000       -0.630     -0.63

脚注

テストデータの生成に使用されるコードを以下に示します。

In [1]: import numpy as np
   ...: import pandas as pd 
   ...: 
   ...: keys = np.array([
   ...:         ['A', 'B'],
   ...:         ['A', 'B'],
   ...:         ['A', 'B'],
   ...:         ['A', 'B'],
   ...:         ['C', 'D'],
   ...:         ['C', 'D'],
   ...:         ['C', 'D'],
   ...:         ['E', 'F'],
   ...:         ['E', 'F'],
   ...:         ['G', 'H'] 
   ...:         ])
   ...: 
   ...: df = pd.DataFrame(
   ...:     np.hstack([keys,np.random.randn(10,4).round(2)]), 
   ...:     columns = ['col1', 'col2', 'col3', 'col4', 'col5', 'col6']
   ...: )
   ...: 
   ...: df[['col3', 'col4', 'col5', 'col6']] = \
   ...:     df[['col3', 'col4', 'col5', 'col6']].astype(float)
   ...: 

免責事項：

集計する列の一部にnull値がある場合は、グループの行数を各列の独立した集計として確認する必要があります。そうしないと、パンダがNaN平均の計算でエントリをドロップするため、平均などの計算に実際に使用されているレコードの数について誤解される可能性があります。

スイスアーミーナイフ： GroupBy.describe

戻り値count、mean、std、および他の有用な統計ごとのグループ。

df.groupby(['A', 'B'])['C'].describe()

           count  mean   std   min   25%   50%   75%   max
A   B                                                     
bar one      1.0  0.40   NaN  0.40  0.40  0.40  0.40  0.40
    three    1.0  2.24   NaN  2.24  2.24  2.24  2.24  2.24
    two      1.0 -0.98   NaN -0.98 -0.98 -0.98 -0.98 -0.98
foo one      2.0  1.36  0.58  0.95  1.15  1.36  1.56  1.76
    three    1.0 -0.15   NaN -0.15 -0.15 -0.15 -0.15 -0.15
    two      2.0  1.42  0.63  0.98  1.20  1.42  1.65  1.87

特定の統計を取得するには、それらを選択するだけです。

df.groupby(['A', 'B'])['C'].describe()[['count', 'mean']]

           count      mean
A   B                     
bar one      1.0  0.400157
    three    1.0  2.240893
    two      1.0 -0.977278
foo one      2.0  1.357070
    three    1.0 -0.151357
    two      2.0  1.423148

describe複数の列のための作品（変化['C']へ['C', 'D']-または完全-し、それを削除する何が起こるか見て、結果はMultiIndexedでカラムデータフレームです）。

文字列データのさまざまな統計も取得します。これが例です、

df2 = df.assign(D=list('aaabbccc')).sample(n=100, replace=True)

with pd.option_context('precision', 2):
    display(df2.groupby(['A', 'B'])
               .describe(include='all')
               .dropna(how='all', axis=1))

              C                                                   D                
          count  mean       std   min   25%   50%   75%   max count unique top freq
A   B                                                                              
bar one    14.0  0.40  5.76e-17  0.40  0.40  0.40  0.40  0.40    14      1   a   14
    three  14.0  2.24  4.61e-16  2.24  2.24  2.24  2.24  2.24    14      1   b   14
    two     9.0 -0.98  0.00e+00 -0.98 -0.98 -0.98 -0.98 -0.98     9      1   c    9
foo one    22.0  1.43  4.10e-01  0.95  0.95  1.76  1.76  1.76    22      2   a   13
    three  15.0 -0.15  0.00e+00 -0.15 -0.15 -0.15 -0.15 -0.15    15      1   c   15
    two    26.0  1.49  4.48e-01  0.98  0.98  1.87  1.87  1.87    26      2   b   15

詳細については、ドキュメントを参照してください。

パンダ> = 1.1： DataFrame.value_counts

これは、すべてのグループのサイズをキャプチャしたいだけの場合、パンダ1.1から利用できます。これにより、が切り取られ、GroupByより高速になります。

df.value_counts(subset=['col1', 'col2'])

最小限の例

# Setup
np.random.seed(0)
df = pd.DataFrame({'A' : ['foo', 'bar', 'foo', 'bar',
                          'foo', 'bar', 'foo', 'foo'],
                   'B' : ['one', 'one', 'two', 'three',
                          'two', 'two', 'one', 'three'],
                   'C' : np.random.randn(8),
                   'D' : np.random.randn(8)})

df.value_counts(['A', 'B']) 

A    B    
foo  two      2
     one      2
     three    1
bar  two      1
     three    1
     one      1
dtype: int64

その他の統計分析ツール

上記で探しているものが見つからなかった場合、ユーザーガイドには、サポートされている静的分析、相関、および回帰ツールの包括的なリストがあります。

groupbyとcountを使えば簡単にできます。ただし、reset_index（）を使用することを忘れないでください。

df[['col1','col2','col3','col4']].groupby(['col1','col2']).count().\
reset_index()

複数の統計を取得するには、インデックスを折りたたみ、列名を保持します。

df = df.groupby(['col1','col2']).agg(['mean', 'count'])
df.columns = [ ' '.join(str(i) for i in col) for col in df.columns]
df.reset_index(inplace=True)
df

生産：

グループオブジェクトを作成し、以下の例のようにメソッドを呼び出します。

grp = df.groupby(['col1',  'col2',  'col3']) 

grp.max() 
grp.mean() 
grp.describe() 

このコードを試してください

new_column=df[['col1', 'col2', 'col3', 'col4']].groupby(['col1', 'col2']).count()
df['count_it']=new_column
df

コードは、各グループをカウントする「countit」という列を追加すると思います