Python pandas.DataFrame.agg函数方法的使用

Pandas是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。Pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。本文主要介绍一下Pandas中pandas.DataFrame.agg方法的使用。

DataFrame.agg(func, axis=0, *args, **kwargs)

使用指定axis上的一个或多个操作Aggregate。

参数:

func : function, str, list 或 dict

函数，用于聚合数据。如果是函数，

则必须在传递DataFrame或传递到DataFrame.apply时工作。

接受的组合是:

function

string function name

functions的list 和/或 function names, 例如， [np.sum, 'mean']

axis labels的dict -> functions, function names 或这样的list.

axis : {0 or ‘index’, 1 或 ‘columns’}, 默认 0

如果0或' index ':应用函数到每一列。

如果1或‘columns’:应用函数到每一行。

*args

要传递给func的位置参数。

**kwargs

要传递给func的关键字参数。

DataFrame, Series 或 scalar

如果使用单个函数调用DataFrame.agg，则返回Series，

如果使用多个函数调用DataFrame.agg，

如果使用单个函数调用Series.agg则返回DataFrame，

如果使用多个函数调用Series.agg则返回标量，

返回一个Series。

聚合操作总是在轴上执行，或者是

index（默认）或列轴。这种行为不同于

`numpy`聚合函数（`mean`，`median`，

`prod`，`sum`，`std`，

`var`），其中默认值是计算展平的聚合

数组，例如``numpy.mean（arr_2d）``

而不是``numpy.mean（arr_2d，

轴= 0）``。

`agg`是`aggregate`的别名。使用别名。

注意：

agg是聚合的别名。使用别名。

传递的用户定义函数将被传递一Series用于求值。

例如，

>>> df = pd.DataFrame([[1, 2, 3],
...                    [4, 5, 6],
...                    [7, 8, 9],
...                    [np.nan, np.nan, np.nan]],
...                   columns=['A', 'B', 'C'])

在行上聚合这些函数

>>> df.agg(['sum', 'min'])
        A     B     C
sum  12.0  15.0  18.0
min   1.0   2.0   3.0

每个列有不同的聚合

>>> df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']})
        A    B
max   NaN  8.0
min   1.0  2.0
sum  12.0  NaN

对列进行聚合

>>> df.agg("mean", axis="columns")
0    2.0
1    5.0
2    8.0
3    NaN
dtype: float64