使用Pandas更好的做数据科学（二）
之前分享过一篇 使用Pandas更好的做数据科学 ，今天我们将学习pandas中的风骚操作：
df.resample: 重新采样
df.agg: 聚合（对列进行聚合操作）
df.groupby: 分组
agg它提供基于列的聚合操作。而groupby可以看做是基于行的聚合操作。
从实现上看，groupby返回的是一个DataFrameGroupBy结构，这个结构必须调用聚合函数（如sum）之后，才会得到结构为Series的数据结果。
而agg是DataFrame的直接方法，返回的也是一个DataFrame。当然，很多功能用sum、mean等等也可以实现。但是agg更加简洁, 而且传给它的函数可以是字符串，也可以自定义，参数是column对应的子DataFrame
import pandas as pd
df = pd.read_excel("sample-salesv3.xlsx")
#查看前5行
df.head()
将将日期字符串转化为pandas里的datetime类，这样可以使用一些高级用法
#df.date = pd.to_datetime(df.date) 该写法与下面一行作用等同
df["date"] = pd.to_datetime(df['date'])
df.head()
将date转化为dataframe中的index，使用df.set_index(colname),这里我们
df.set_index('date')
#注意df.set_index('date', inplace=True)的区别
我们统计ext price在每个月的累和(sum)值。
（重点的resample、groupby和agg在广告之后，亲们可以点点广告放松放松。精彩马上就来）
df.resample
重新采样，是对原样本重新处理的一个方法，是一个对常规时间序列数据重新采样和频率转换的便捷的方法。
注意：resample 只有在index为datetime类型（pandas的datetime类型）的时候才能用
resample()的参数为Y、M、D分别表示从年、月、日水平上从数据中抽样
#每隔20天作为周期抽样，计算每个周期内ext price的累积和
df.set_index('date').resample('20D')['account number'].sum()
运行结果
date
2014-01-01 07:21:51 47757800
2014-01-21 07:21:51 37163241
2014-02-10 07:21:51 36028996
2014-03-02 07:21:51 36124347
2014-03-22 07:21:51 48225563
2014-04-11 07:21:51 43983337
2014-05-01 07:21:51 41839607
2014-05-21 07:21:51 40654505
2014-06-10 07:21:51 39456582
2014-06-30 07:21:51 47094772
2014-07-20 07:21:51 37634500
2014-08-09 07:21:51 34500589
2014-08-29 07:21:51 35385650
2014-09-18 07:21:51 41619350
2014-10-08 07:21:51 40574001
2014-10-28 07:21:51 34540767
2014-11-17 07:21:51 37910846
2014-12-07 07:21:51 41859385
2014-12-27 07:21:51 6582924
Name: account number, dtype: int64
从上面的运行结果，我们看到日期大概是以20天为间隔，从数据集中抽样。
#以月作为周期抽样，计算每个周期内ext price的累积和
df.set_index('date').resample('M')['ext price'].sum()
运行结果
date
2014-01-31 185361.66
2014-02-28 146211.62
2014-03-31 203921.38
2014-04-30 174574.11
2014-05-31 165418.55
2014-06-30 174089.33
2014-07-31 191662.11
2014-08-31 153778.59
2014-09-30 168443.17
2014-10-31 171495.32
2014-11-30 119961.22
2014-12-31 163867.26
Freq: M, Name: ext price, dtype: float64
更进一步，我们想知道每个用户每个月的sum值，那么就需要一个groupby了：
df.groupby()-分组
df.set_index('date').groupby('name')['ext price'].resample("M").sum()
#效果等同的代码 df.groupby(['name', pd.Grouper(key='date', freq='M')])['ext price'].sum()
运行结果
name date
Barton LLC 2014-01-31 6177.57
2014-02-28 12218.03
2014-03-31 3513.53
2014-04-30 11474.20
2014-05-31 10220.17
2014-06-30 10463.73
2014-07-31 6750.48
2014-08-31 17541.46
2014-09-30 14053.61
2014-10-31 9351.68
2014-11-30 4901.14
2014-12-31 2772.90
Cronin, Oberbrunner and Spencer 2014-01-31 1141.75
2014-02-28 13976.26
2014-03-31 11691.62
2014-04-30 3685.44
2014-05-31 6760.11
2014-06-30 5379.67
2014-07-31 6020.30
2014-08-31 5399.58
2014-09-30 12693.74
2014-10-31 9324.37
2014-11-30 6021.11
2014-12-31 7640.60
Frami, Hills and Schmidt 2014-01-31 5112.34
2014-02-28 4124.53
2014-03-31 10397.44
2014-04-30 5036.18
2014-05-31 4097.87
2014-06-30 13192.19
...
Trantow-Barrows 2014-07-31 11987.34
2014-08-31 17251.65
2014-09-30 6992.48
2014-10-31 10064.27
2014-11-30 6550.10
2014-12-31 10124.23
White-Trantow 2014-01-31 13703.77
2014-02-28 11783.98
2014-03-31 8583.05
2014-04-30 19009.20
2014-05-31 5877.29
2014-06-30 14791.32
2014-07-31 10242.62
2014-08-31 12287.21
2014-09-30 5315.16
2014-10-31 19896.85
2014-11-30 9544.61
2014-12-31 4806.93
Will LLC 2014-01-31 20953.87
2014-02-28 13613.06
2014-03-31 9838.93
2014-04-30 6094.94
2014-05-31 11856.95
2014-06-30 2419.52
2014-07-31 11017.54
2014-08-31 1439.82
2014-09-30 4345.99
2014-10-31 7085.33
2014-11-30 3210.44
2014-12-31 12561.21
Name: ext price, Length: 240, dtype: float64
对比两种写法
#A写法
df.set_index('date').groupby('name')['ext price'].resample("M").sum()
#B写法
df.groupby(['name', pd.Grouper(key='date', freq='M')])['ext price'].sum()
显然，B写法多敲了很多次键盘，那么它的好处是啥呢？
首先，逻辑上更加直接，当你敲代码完成以上统计的时候，你首先想到的就是groupby操作，而set_index， resample好像不会立马想到。
想到了groupby这个'动作'之后，你就会紧接着想按照哪个key来操作，此时你只需要用字符串，或者Grouper把key定义好就行了。
最后使用聚合函数sum()，就得到了结果。
所以，从代码可读性角度看，B写法更容易记忆。
df.agg
agg它提供基于列的聚合操作。而groupby可以看做是基于行的聚合操作。
从实现上看，groupby返回的是一个DataFrameGroupBy结构，这个结构必须调用聚合函数（如sum）之后，才会得到结构为Series的数据结果。
而agg是DataFrame的直接方法，返回的也是一个DataFrame。
当然，很多功能用sum、mean等等也可以实现。但是agg更加简洁, 而且传给它的函数可以是字符串，也可以自定义，参数是column对应的子DataFrame
#df[["ext price", "quantity", "unit price"]]返回的是pd.DataFrame类型
#df["ext price", "quantity", "unit price"]返回的是pd.Series类型
df[["ext price", "quantity", "unit price"]].agg(['sum', 'mean'])
df.agg-针对不同的列使用不同的聚合函数
df.agg({'ext price': ['sum', 'mean'],
'quantity': ['sum', 'mean'],
'unit price': ['mean']})