HOWTO · Pandas
Pandas groupby por Duas Colunas
Este tutorial explica como podemos utilizar DataFrame.groupby() em Pandas para duas colunas para separar o DataFrame em grupos.
Nesta página
Para agrupar linhas por duas colunas, passe os respetivos nomes como uma lista a DataFrame.groupby(). Cada par distinto de valores forma um grupo. O exemplo abaixo usa um único DataFrame com seis linhas para inspecionar esses grupos, contar as respetivas linhas e encontrar o maior subgrupo para cada valor de emprego. Execute-o num ambiente com pandas instalado; não se afirma aqui qualquer resultado de execução.
Agrupar um DataFrame por duas colunas
A lista ['Gender', 'Employed'] indica ao pandas que deve agrupar pelas duas colunas em conjunto. Por exemplo, uma linha só pertence ao grupo Female/Yes se ambos os valores coincidirem. O script completo é autónomo e usa os mesmos dados em cada passo apresentado a seguir. No exemplo inalterado, o rótulo impresso é «Groups:» e permanece em inglês.
import pandas as pd
data = pd.DataFrame(
{
"Name": ["Jennifer", "Travis", "Bob", "Emma", "Luna", "Anish"],
"Gender": ["Female", "Male", "Male", "Female", "Female", "Male"],
"Employed": ["Yes", "No", "Yes", "No", "Yes", "No"],
"Age": [30, 28, 27, 24, 28, 25],
}
)
groups = data.groupby(["Gender", "Employed"])
print("Groups:")
for group_key, group_rows in groups:
print(f"{group_key}: {len(group_rows)} rows")
counts = groups.size().reset_index(name="Count")
print("\nRows per pair:")
print(counts.to_string(index=False))
largest = groups.size().groupby(level="Employed").max()
print("\nLargest subgroup per employment value:")
print(largest.to_string())
Percorrer os grupos resultantes
Ao percorrer groups, obtém-se um par (group_key, group_rows) para cada combinação observada. Aqui, group_key contém, por esta ordem, os valores de Gender e Employed, enquanto group_rows é o DataFrame com as linhas de origem correspondentes. Use diretamente o DataFrame obtido; recuperá-lo novamente com get_group() repete a consulta. Por predefinição, o pandas ordena as chaves dos grupos em vez de manter a ordem em que os grupos aparecem nas linhas de entrada; dentro de cada grupo, as linhas mantêm a sua ordem relativa original.
Contar as linhas de cada grupo
groups.size() devolve o número de linhas de cada grupo de pares. A chamada a reset_index(name="Count") transforma os dois níveis de agrupamento e as respetivas contagens em colunas comuns, o que facilita a apresentação ou uma operação posterior. size() conta as linhas mesmo que um campo que não participa no agrupamento, como Age, tenha um valor em falta; contar uma coluna específica contabilizaria os valores não nulos dessa coluna e poderia dar um resultado diferente. Assim, a coluna Count indica o número de linhas por par Gender/Employed, e não o número de nomes ou idades preenchidos. No exemplo inalterado, o rótulo impresso é «Rows per pair:» e permanece em inglês.
Encontrar o maior grupo para cada valor de uma coluna
A expressão final parte das contagens dos pares, agrupa essa Series pelo nível de índice Employed e aplica max(). O resultado é o tamanho do maior subgrupo de Gender para cada valor de emprego. Neste conjunto de dados, os grupos Female/Yes e Male/No têm duas linhas cada; por isso, ambas as categorias de emprego têm um subgrupo máximo de duas linhas. Trata-se do máximo das contagens dos subgrupos: a expressão não seleciona as linhas correspondentes nem identifica qual valor de Gender atingiu esse máximo. O método max() também está documentado separadamente.