HOWTO · Pandas
计数 Pandas 中每组的唯一值
通过使用 Pandas 库中的 df.groupby().nunique()，df.groupby().agg()和 df.groupby().unique()方法对 DataFrame 中的列进行分组来对值进行计数
本页内容
分析 DataFrame 时，你通常需要知道每个组内有多少个不同的值，而不是整列中不同值的总数。例如，数据集可能记录 Countries 中每个条目使用了哪些 code 值，而你希望按国家各得到一个计数。pandas 的 groupby() 操作为这项任务提供了三种实用工具：
df.groupby().nunique()返回每个组中不同值的数量。df.groupby().agg()通过通用聚合接口应用相同的计数。df.groupby().unique()列出每个组中的不同值本身。
下面的所有示例都使用同一个 DataFrame，它由九行国家和代码配对组成。
运行以下示例：
本节中的代码以及显示的标签或输出仍为英文。
import pandas as pd
data = [
[999, "Switzerland"],
[113, "Switzerland"],
[112, "Japan"],
[112, "Switzerland"],
[113, "Canada"],
[114, "Japan"],
[100, "Germany"],
[114, "Japan"],
[115, "Germany"],
]
df = pd.DataFrame(data, columns=["code", "Countries"])
print(df)
code Countries
0 999 Switzerland
1 113 Switzerland
2 112 Japan
3 112 Switzerland
4 113 Canada
5 114 Japan
6 100 Germany
7 114 Japan
8 115 Germany
使用 GroupBy.nunique() 统计唯一值
按组统计不同值最直接的方法是 nunique()。在 groupby() 之后选择 code 列会把分组对象转换为分组后的 Series，因此 nunique() 会统计每个国家对应行中的不同代码。
本节中的代码以及显示的标签或输出仍为英文。
import pandas as pd
data = [
[999, "Switzerland"],
[113, "Switzerland"],
[112, "Japan"],
[112, "Switzerland"],
[113, "Canada"],
[114, "Japan"],
[100, "Germany"],
[114, "Japan"],
[115, "Germany"],
]
df = pd.DataFrame(data, columns=["code", "Countries"])
result = df.groupby("Countries")["code"].nunique()
print(result)
Countries
Canada 1
Germany 2
Japan 2
Switzerland 3
Name: code, dtype: int64
结果是一个 Series：其索引保存组名，值保存计数。瑞士使用三个不同的代码，德国和日本各使用两个，加拿大使用一个。由于分组键变成了索引，如果你想要一个扁平的两列 DataFrame，可以调用 reset_index()；也可以使用下一节介绍的 agg() 形式。默认情况下，nunique() 不会统计缺失（NaN）条目；如果缺失值也应算作一个不同的值，请传入 dropna=False。
使用 GroupBy.agg() 统计唯一值
agg() 是分组对象的通用聚合方法。将 nunique() 作为聚合函数传入，可以通过 DataFrame.aggregate() 接口得到相同的计数，并能更灵活地控制结果的形状。
本节中的代码以及显示的标签或输出仍为英文。
import pandas as pd
data = [
[999, "Switzerland"],
[113, "Switzerland"],
[112, "Japan"],
[112, "Switzerland"],
[113, "Canada"],
[114, "Japan"],
[100, "Germany"],
[114, "Japan"],
[115, "Germany"],
]
df = pd.DataFrame(data, columns=["code", "Countries"])
result = df.groupby(by="Countries", as_index=False).agg({"code": pd.Series.nunique})
print(result)
Countries code
0 Canada 1
1 Germany 2
2 Japan 2
3 Switzerland 3
字典 {"code": pd.Series.nunique} 告诉 agg() 要聚合哪一列以及应用哪个函数；pd.Series.nunique 与上一节直接调用的操作相同，以字符串形式传入它的名称——agg({"code": "nunique"})——效果完全相同。as_index=False 参数会将国家名称保留为普通列，而不是移入索引，这就是 result 是扁平 DataFrame 而不是带索引的 Series 的原因。当你需要 DataFrame 结果，或者不同值计数只是一次传递中要计算的多个聚合之一时，请使用这种形式。
使用 GroupBy["code"].unique() 列出唯一值
计数回答的是“有多少”，但有时你需要知道每个国家使用的是哪些代码。将 unique() 应用于分组后的 Series 会返回不同的值本身。
本节中的代码以及显示的标签或输出仍为英文。
import pandas as pd
data = [
[999, "Switzerland"],
[113, "Switzerland"],
[112, "Japan"],
[112, "Switzerland"],
[113, "Canada"],
[114, "Japan"],
[100, "Germany"],
[114, "Japan"],
[115, "Germany"],
]
df = pd.DataFrame(data, columns=["code", "Countries"])
result = df.groupby("Countries")["code"].unique()
print(result)
Countries
Canada [113]
Germany [100, 115]
Japan [112, 114]
Switzerland [999, 113, 112]
Name: code, dtype: object
结果中的每个条目都是一个数组，包含该国家出现的不同 code 值，并按出现顺序排列——瑞士的数组确认了之前统计出的三个代码：999、113 和 112。由于每个元素都是数组而不是单个数字，因此该 Series 的 dtype 为 object。有一个值得注意的行为差异：unique() 会在返回的数组中包含 NaN，而 nunique() 默认会跳过缺失值。
在统计和列出值之间选择
当问题偏重于数量——“每个国家使用多少个不同的代码？”——时，请选择 nunique()。它返回整洁的数值计数，你可以对其进行排序、筛选，或连接回原始行。若要把每行所属组的计数附加为新列，请使用 df.groupby("Countries")["code"].transform("nunique")，它会将每组的计数广播到每一行。
当值本身很重要时，请选择 unique()——例如，审计哪些代码被多个国家共用，或把值列表提供给后续处理步骤。如果你已经得到了 unique() 的结果并需要其长度，result.apply(len) 会重现与 nunique() 相同的计数。
最后，当不同值计数只是更大范围聚合的一部分时，请使用 agg()，例如 agg({"code": "nunique", "price": "sum"})，它会在一次传递中计算多个按组统计量。简而言之：需要计数时用 nunique()，需要值本身时用 unique()，需要 DataFrame 结果或想把计数与其他聚合组合时用 agg()。