“物以类聚，人以群分”。这一节我们要学习数据分组及分组后的统计，Pandas的分组相比于Excel来说，要更加简单和灵活

一、数据分组

import pandas as pd # 导入数据
df = pd.read_excel(r'/Users/davidlin/Desktop/Excel练习数据.xlsx',sheet_name='店铺销售明细表')
# 查看数据基本特征
print(df.shape)
df

(12, 7)

	店铺名称	订单号	用户ID	金额	日期	省份	城市
0	LZ旗舰店	130393956508603	wsxhm111	3583	2017-04-01	河北省	唐山市
1	MBL旗舰店	961257111410320	dyygwg	1179	2013-02-08	江苏省	苏州市
2	NWY旗舰店	604244518318006	xhz941227	4569	2017-10-19	广东省	深圳市
3	NWY旗舰店	594141772859279	bae华美	649	2012-06-17	山东省	济南市
4	NWY旗舰店	829371320915340	lufeng	5553	2014-02-07	江苏省	苏州市
5	NWY旗舰店	799402289415734	zijing_212	6288	2020-06-21	上海	上海市
6	NWY旗舰店	335902609738523	卢佳1994	6002	2015-07-06	安徽省	铜陵市
7	SFL旗舰店	863909408174636	小孩子186	8749	2018-12-22	浙江省	绍兴市
8	SFL旗舰店	497125317899163	qqql	880	2016-04-05	江苏省	苏州市
9	SFL旗舰店	795291919897788	xaskk	3793	2018-03-20	江苏省	扬州市
10	XYBC旗舰店	689309332207458	拉克地k线	9454	2016-08-11	湖北省	荆门市
11	XYBC旗舰店	981817890365691	王倩玉	1472	2016-02-13	云南省	曲靖市

1. 根据店铺名称将数据分组，然后分别计算他们的订单数量以及占比

Pandas提供了一个灵活高效的groupby功能，它能让我们对数据集进行切片、切块‘在要等操作。

import pandas as pd # 导入数据
df = pd.read_excel(r'/Users/davidlin/Desktop/Excel练习数据.xlsx',sheet_name='店铺销售明细表')# 根据店铺名称列进行分组
group = df.groupby('店铺名称')
print(group)

<pandas.core.groupby.generic.DataFrameGroupBy object at 0x112bd6160>

根据结果发现，分组后的结果为DataFrameGroupBy object，是一个分组后的对象。

使用groupby的size方法可以查看分组后的每组的数量，并返回一个含有分组大小的Series。

print(group.size())

店铺名称
LZ旗舰店      1
MBL旗舰店     1
NWY旗舰店     5
SFL旗舰店     3
XYBC旗舰店    2
dtype: int64

具体的代码实现如下：

import pandas as pd # 导入数据
df = pd.read_excel(r'/Users/davidlin/Desktop/Excel练习数据.xlsx',sheet_name='店铺销售明细表')# 根据店铺名称列进行分组
group = df.groupby('店铺名称')
for shop_name, value in group.size().items():# 计算每组的占比accounted = value/df.shape[0]# 将小数转换为百分比percent = '{:.2f}%'.format(accounted*100)print('在该份表格中,{}共有{}个订单，占比是{}。'.format(shop_name,value,percent))

在该份表格中,LZ旗舰店共有1个订单，占比是8.33%。
在该份表格中,MBL旗舰店共有1个订单，占比是8.33%。
在该份表格中,NWY旗舰店共有5个订单，占比是41.67%。
在该份表格中,SFL旗舰店共有3个订单，占比是25.00%。
在该份表格中,XYBC旗舰店共有2个订单，占比是16.67%。

df.groupby(‘店铺名称’)是根据“店铺名称”列对整个数据进行分组，同样我们也可以只对一列数据进行分组，只保留我们需要的列数据。

“例如，我们通过“店铺名称”列，只对金额进行分组。

group = df['金额'].groupby(df['店铺名称'])# 查看分组
print(group.groups)
print('{:-^30}'.format('我是分割线'))
print(group.get_group('LZ旗舰店'))

{'LZ旗舰店': Int64Index([0], dtype='int64'), 'MBL旗舰店': Int64Index([1], dtype='int64'), 'NWY旗舰店': Int64Index([2, 3, 4, 5, 6], dtype='int64'), 'SFL旗舰店': Int64Index([7, 8, 9], dtype='int64'), 'XYBC旗舰店': Int64Index([10, 11], dtype='int64')}
------------我是分割线-------------
0    3583
Name: 金额, dtype: int64

复盘以上代码：

代码df[‘省份’].groupby(df[‘店铺名称’])的逻辑是：取出df中的“省份”列，并且对该列数据根据df[‘店铺名称’]进行分组操作。

上面的代码也可以写成如下样式，达到的效果是一样的。其逻辑是：将df数据df[‘店铺名称’]进行分组，然后再取出分组后的”金额”列数据。

group3 = df.groupby(df['店铺名称'])['金额']
print(group3.size())
print('{:-^30}'.format('我是分割线'))
print(group.get_group('SFL旗舰店'))

店铺名称
LZ旗舰店      1
MBL旗舰店     1
NWY旗舰店     5
SFL旗舰店     3
XYBC旗舰店    2
Name: 金额, dtype: int64
------------我是分割线-------------
7    8749
8     880
9    3793
Name: 金额, dtype: int64

复盘以上代码：

• group.groups的结果是一个字典，字典的key是分组后每个组的名字，对应的值是分组后的数据，此方法方便我们查看分组后的数据。
• group.get_group(‘SFL旗舰店’）这个方法可以根据具体分组的名字获取每组的数据。

二、对分组进行遍历

我们通过groupby()和size()两个方法，了解了各个旗舰店的订单占比。

import pandas as pd 
# 读取数据
path = r'/Users/davidlin/Desktop/Excel练习数据.xlsx'
df = pd.read_excel(path,sheet_name='店铺销售明细表')# 对数据分组
groups = df.groupby('店铺名称')
# 获取NWY旗舰店的数据
NWY_group = groups.get_group('NWY旗舰店')
print(NWY_group)

     店铺名称              订单号        用户ID    金额         日期   省份   城市
2  NWY旗舰店  604244518318006   xhz941227  4569 2017-10-19  广东省  深圳市
3  NWY旗舰店  594141772859279       bae华美   649 2012-06-17  山东省  济南市
4  NWY旗舰店  829371320915340      lufeng  5553 2014-02-07  江苏省  苏州市
5  NWY旗舰店  799402289415734  zijing_212  6288 2020-06-21   上海  上海市
6  NWY旗舰店  335902609738523      卢佳1994  6002 2015-07-06  安徽省  铜陵市

# 获取NWY旗舰店的平均销售额
NWY_mean = NWY_group['金额'].mean()
# 获取NWY旗舰店的最大销售额
NWY_max = NWY_group['金额'].max()
# 获取NWY旗舰店的最小销售额
NWY_min = NWY_group['金额'].min()
NWY_sum = NWY_group['金额'].sum()
print(NWY_mean,NWY_max,NWY_min,NWY_sum)

复盘以上代码：

1. 首先通过gruopby()根据”店铺名称“进行分组
2. 从分组数据中，通过groups.ge_group()获取NWY旗舰店的数据
3. 最后从NWY中取出”金额“列，求出平均值、最大值、销售总额

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-iwszrAiu-1590594405122)(attachment:image.png)]

groups = df.groupby('店铺名称')
for group_name,group_df in groups:print(group_name,group_df.shape)

LZ旗舰店 (1, 7)
MBL旗舰店 (1, 7)
NWY旗舰店 (5, 7)
SFL旗舰店 (3, 7)
XYBC旗舰店 (2, 7)

复盘以上的代码：

将分组后的对象groups进行遍历，获取到了group_name每个组的名字以及每个组的DataFrame

import pandas as pd 
path = r'/Users/davidlin/Desktop/Excel练习数据.xlsx'
df = pd.read_excel(path,sheet_name='店铺销售明细表')
groups = df.groupby('店铺名称')
for group_name,group_df in groups:mean = group_df['金额'].mean()max_ = group_df['金额'].max()min_ = group_df['金额'].min()print('表格中店铺{}的平均销售额是{:.2f}，最大金额是{}，最小金额是{}'.format(group_name,mean,max_,min_))

表格中店铺LZ旗舰店的平均销售额是3583.00，最大金额是3583，最小金额是3583
表格中店铺MBL旗舰店的平均销售额是1179.00，最大金额是1179，最小金额是1179
表格中店铺NWY旗舰店的平均销售额是4612.20，最大金额是6288，最小金额是649
表格中店铺SFL旗舰店的平均销售额是4474.00，最大金额是8749，最小金额是880
表格中店铺XYBC旗舰店的平均销售额是5463.00，最大金额是9454，最小金额是1472

三、按多列进行分组

刚刚我们完成以”店铺名称“进行分组，并拿到了最大值、最小值和平均值等信息。现在我们想要了解一下各个省份不同旗舰店的分布，按照上面的方法，我们需要写两次groupby()。

其实groupby()方法是支持按多列进行分组的。

import pandas as pd 
path = r'/Users/davidlin/Desktop/Excel练习数据.xlsx'
df = pd.read_excel(path,sheet_name='店铺销售明细表')# 进行分组
group = df.groupby(['省份','店铺名称'])
df1 = group.size()
df1

省份   店铺名称   
上海   NWY旗舰店     1
云南省  XYBC旗舰店    1
安徽省  NWY旗舰店     1
山东省  NWY旗舰店     1
广东省  NWY旗舰店     1
江苏省  MBL旗舰店     1NWY旗舰店     1SFL旗舰店     2
河北省  LZ旗舰店      1
浙江省  SFL旗舰店     1
湖北省  XYBC旗舰店    1
dtype: int64

当需要按多列进行分组的时候，可以在groupby方法中传入一个列表，列表中分别存储分组依据的列名。

注意：
列表中列名的顺序，确定了”省份“列进行分组，然后再按”店铺名称”列进行分组。不同的顺序，产生的分组名字是不同的。

我们发现，在group.size()返回的结果中：索引值是多层的。那么，对于多层索引的值，应该如何去获取呢？

size = df1['江苏省']['NWY旗舰店']
print(size)

1

通过代码，我们发现对于多层索引值的获取，只需要从外往里一层一层的取就可以了

四、对分组后的数据进行统计

数据统计（也叫做数据聚合）是数据处理的最后一步，通常是要使每一个数据生成一个单一的数值。

在前面的内容中，我们了解了Pandas提供了一些好用的统计函数，如mean()、max()等。其实，Pandas还有一个agg()方法用来对分组后的数据进行统计。

import pandas as pd 
path = r'/Users/davidlin/Desktop/Excel练习数据.xlsx'
df = pd.read_excel(path,sheet_name='店铺销售明细表')# 数据分组
groups = df.groupby('店铺名称')
for group_name,group_df in groups:f_se = group_df['金额'].agg(['max','min','mean'])print('{}的最大销售额是{:.2f}元，最小销售额是{:.2f}元，平均销售额是{:.2f}元'.format(group_name,f_se[0],f_se[1],f_se[2]))

LZ旗舰店的最大销售额是3583.00元，最小销售额是3583.00元，平均销售额是3583.00元
MBL旗舰店的最大销售额是1179.00元，最小销售额是1179.00元，平均销售额是1179.00元
NWY旗舰店的最大销售额是6288.00元，最小销售额是649.00元，平均销售额是4612.20元
SFL旗舰店的最大销售额是8749.00元，最小销售额是880.00元，平均销售额是4474.00元
XYBC旗舰店的最大销售额是9454.00元，最小销售额是1472.00元，平均销售额是5463.00元

观察以上的代码，可以发现在使用agg()函数时，我们可以将多个统计函数一起放到agg()函数中。并且方便的是，如果统计函数是Pandas提供的，我们只需要将函数名称以字符串的形式存储进列表中即可，如max()变成’max’。这样不仅简化了我们的代码，在添加和删减统计函数的时候我们只需更改agg()函数中list就可以了

它的好处还不止这些，比如现在又有新的需求，要计算年龄的最大值和最小值的差值。但是，pandas并没有提供这样统计函数，所以就需要我们进行自己定义一个统计函数：

import pandas as pd 
path = r'/Users/davidlin/Desktop/Excel练习数据.xlsx'
df = pd.read_excel(path,sheet_name='店铺销售明细表')def peak_range(df):'''返回数值范围'''return df.max()-df.min()# 数据分组
groups = df.groupby('店铺名称')
for group_name,group_df in groups:f_se = group_df['金额'].agg(['max','min','mean',peak_range()])print('{}的最大销售额是{:.2f}元，最小销售额是{:.2f}元，平均销售额是{:.2f}元,销售额波动幅度是{}'.format(group_name,f_se[0],f_se[1],f_se[2]),f_se[3])