如何使用Pandas在多类别分组统计中显示所有组合及零计数

本教程详细介绍了如何使用Pandas库对数据进行多列分组计数，并确保所有可能的类别组合（例如，不同大洲及其对应的分箱范围）都被明确列出，即使某些组合的计数为零。文章将通过实际示例代码，演示如何添加辅助列、执行分组计数，并利用`unstack()`和`stack()`方法巧妙地填充零值，从而生成一个完整且易于分析的数据集。

在数据分析中，我们经常需要对数据集中的多个分类变量进行组合计数。例如，统计不同大洲（Continent）中，每个数值分箱（Rank）内的数据条目数量。然而，一个常见的问题是，默认的分组计数操作只会显示那些在原始数据中实际存在的组合。如果某个大洲的某个分箱内没有数据，那么这个组合就不会出现在结果中，这可能导致数据分析的不完整性。本教程旨在解决这一问题，确保所有可能的类别组合都能被明确列出，并为其分配零计数（如果原始数据中不存在）。

准备初始数据

首先，我们从一个包含大洲和分箱信息的数据集开始。假设我们有以下DataFrame，其中包含了各个大洲和它们对应的分箱：

import pandas as pd

# 示例数据
data = {
    'Continent': [
        'Asia', 'North America', 'Asia', 'Europe', 'Europe', 'North America',
        'Europe', 'Asia', 'Europe', 'Asia', 'Europe', 'Europe', 'Asia',
        'Australia', 'South America'
    ],
    'Rank': [
        '(15.753, 29.227]', '(2.212, 15.753]', '(2.212, 15.753]',
        '(2.212, 15.753]', '(15.753, 29.227]', '(56.174, 69.648]',
        '(15.753, 29.227]', '(2.212, 15.753]', '(15.753, 29.227]',
        '(2.212, 15.753]', '(29.227, 42.701]', '(29.227, 42.701]',
        '(2.212, 15.753]', '(2.212, 15.753]', '(56.174, 69.648]'
    ]
}
df = pd.DataFrame(data)

print("原始DataFrame:")
print(df)

我们的目标是得到一个表格，其中包含每个大洲和所有预设分箱的组合，并显示其对应的计数，即使计数为零。

步骤一：为分组计数添加辅助列

在使用Pandas的groupby().count()方法时，如果直接对多个列进行分组并计数，Pandas会期望有一个额外的列来执行实际的计数操作。如果不提供这样的列，可能会得到一个空的或不符合预期的结果。为了满足这一要求，我们可以添加一个简单的辅助列，其所有值都为1。

# 添加一个辅助列，用于计数
df['count_col'] = 1

print("\n添加辅助列后的DataFrame:")
print(df.head())

现在，df DataFrame中多了一个名为count_col的列，其值为1。

步骤二：执行初步的分组计数

有了辅助列之后，我们就可以对Continent和Rank两列进行分组，并对count_col进行求和（或计数）。这将得到每个现有组合的计数。

影缘版商城

率先引入语言包机制，可在1小时内制作出任何语言版本，程序所有应用文字皆引自LANG目录下的语言包文件，独特的套图更换功能，三级物品分类，购物车帖心设计，在国内率先将购物车与商品显示页面完美结合，完善的商品管理，具备上架、下架缺货及特价商品设置功能多多，商城名、消费税、最低购物金额、货币符号、商城货币名称全部后台设定，多级用户考虑，管理员只需要设置用户级别、不同级别用户之返点系统自动判断用户应得返还

0

查看详情

# 执行分组计数
grouped_counts = df.groupby(['Continent', 'Rank'], as_index=False)['count_col'].count()

print("\n初步分组计数结果（只包含现有组合）:")
print(grouped_counts)

上述代码会输出每个在原始数据中出现的Continent和Rank组合及其对应的计数。例如，如果某个大洲的某个分箱在原始数据中没有出现，它就不会在这个结果中显示。

步骤三：包含显式零计数

为了让所有可能的Continent和Rank组合都显示出来，包括那些计数为零的组合，我们需要利用Pandas的unstack()和stack()方法。这个技巧的核心在于，unstack()操作会将一个索引级别转换为列，并在转换过程中用NaN填充缺失的组合。然后，我们可以利用fill_value参数将这些NaN替换为0，最后再用stack()将数据恢复到长格式。

# 完整的解决方案：分组计数并包含零值
final_counts = df.groupby(['Continent', 'Rank'])['count_col'].count() \
                 .unstack(fill_value=0) \
                 .stack() \
                 .reset_index(name='Count')

print("\n最终结果（包含所有组合及零计数）:")
print(final_counts)

让我们分解一下这行代码：

1. df.groupby(['Continent', 'Rank'])['count_col'].count(): 这一部分与步骤二类似，但我们通常不在这里使用as_index=False，因为接下来的unstack()操作需要多级索引。它会生成一个Series，索引是Continent和Rank的多级索引，值是对应的计数。
2. .unstack(fill_value=0): 这是关键一步。它将Rank这一级索引转换为列，形成一个以Continent为行索引，Rank为列索引的宽格式DataFrame。在这个转换过程中，如果某个Continent和Rank的组合在原始数据中不存在，unstack()会创建对应的单元格并填充NaN。fill_value=0参数则指示Pandas将这些NaN值替换为0，从而显式地表示零计数。
3. .stack(): 这一步将宽格式的DataFrame重新转换回长格式。它会将列索引（即Rank）再次堆叠回行索引，恢复成一个多级索引的Series。
4. .reset_index(name='Count'): 最后，reset_index()将多级索引转换回常规列，并为计数结果列命名为Count，得到我们最终想要的DataFrame。

通过这种方法，即使某个大洲在某个分箱中没有数据，该组合也会以0的计数出现在最终结果中，从而提供一个完整且一致的数据视图。

注意事项与总结

• fill_value的重要性：在unstack()中使用fill_value=0是确保零计数被正确填充的关键。如果没有这个参数，缺失的组合将仍然是NaN。
• 多级索引的利用：unstack()和stack()操作是Pandas处理多级索引和重塑数据框的强大工具，它们在此场景下非常高效。
• 适用场景：这种方法特别适用于需要可视化或进一步分析所有可能组合的场景，例如制作热力图、报告缺失数据模式或确保统计模型的输入完整性。

通过以上步骤，我们成功地解决了在多类别分组计数中包含所有组合（包括零计数）的问题，生成了一个结构清晰、信息完整的教程。

以上就是如何使用Pandas在多类别分组统计中显示所有组合及零计数的详细内容，更多请关注php中文网其它相关文章！