複数の項目でグループ化する

データ分析では、複数の項目でグループ化したいこともあります。たとえば、次のようなケースです。

このような場合、groupby()に 列名のリスト を渡すと、複数列でグループ化できます。

# 複数の列の値に応じてグループ化
df.groupby(列名のリスト)

具体的な例を見てみましょう。次のような試験結果のデータについて考えます。生徒ごとに、国語・数学の点数がそれぞれ1行ずつ格納されています。

たとえば列クラスと列教科ごとにグループ化して平均点を計算したい場合、次のように記述します。

# 列「クラス」「教科」でグループ化
grouped = df.groupby(["クラス", "教科"])
# クラス x 教科ごとに平均値を計算
grouped.mean()

複数の項目でグループ化するので、結果の行名は複数の階層になります。このような複数階層の行名を持つインデックスのことを マルチインデックス と呼びます。

ここでは、「複数の項目でグループ化すると、結果のインデックスが2階層になる」と言う点だけ分かっていれば大丈夫です。

複数の列でグループ化しても、結果はDataFrameGroupByです。そのため、1つの列でグループ化した時と同様agg()やtransform()、filter()などの集約・変換・抽出に関するメソッドが使えます。

まずは、今回使う試験結果のデータを読み込みましょう。1行あたり1生徒のデータで、所属するクラス・教科・試験の点数を表す列があります。In [1]:

import pandas as pd

# 試験結果のデータを読み込み
df = pd.read_csv("dataset/score.csv", index_col="生徒ID")
# 先頭5行を確認
df.head()

Out[1]:

本題に入る前に、復習としてまず各教科の全生徒の平均点 を計算してみましょう。ここまでのクエストで学んだのと同様に、groupby()を使って列教科ごとにグループ化し、mean()で平均点を計算します。In [2]:

# 教科ごとの平均値を計算
mean_df = df.groupby("教科").mean()
mean_df

Out[2]:

（1）各教科のクラスごとの平均点

次に、各教科の平均点をクラスごとに出してみましょう。

groupby()で複数の列を指定すると、複数の項目でグループ化できます。実際に教科とクラスを指定すると、集約結果のインデックスが教科とクラスになり、各グループの平均点が計算されることがわかります。In [3]:

# 教科 x クラスごとにグループ化
grouped = df.groupby(["教科", "クラス"])
# グループごとに平均値を計算
mult_mean_df = grouped.mean()
mult_mean_df

Out[3]:

（2）各教科のクラスごとの最低点・最高点・平均点

複数の項目でグループ化した場合も、1つの項目でグループ化した時と同様、結果はDataFrameGroupByオブジェクトです。そのため、ここまでのクエストで学んだ集約・変換・選択の機能が使えます。

たとえば、集約で使う agg() を使って複数の集約値を計算することも可能です。次のコードでは、最小値、最大値、平均値を一括で計算しています。In [4]:

# 教科 x クラスごとに最小値、最大値、平均値を出す
mult_agg_df = grouped.agg(["min", "max", "mean"])
mult_agg_df

Out[4]:

クエスト「グループ化でできることを知ろう」では、get_group(グループ名)と書くと、指定したグループのデータを取得できることを学びました。

複数項目でグループ化した場合、グループ名はタプルで指定します。たとえば「1-Aの数学のデータ」を取得する場合は、次のように(“数学”, “1-A”)を指定します。In [5]:

# 数学の1-Aグループを取得
grouped.get_group(("数学", "1-A"))

Out[5]:

2つの項目でグループ化して集約したい場合、pivot_table()も便利です。

# ピボットテーブルを作成する
df.pivot_table(index=1軸目の列, columns=2軸目の列, values=集約したい値)

たとえば写経のデータを使って縦軸に「クラス」、横軸に「教科」、値を「点数の平均点」にしたい場合、次のように書きます。

# クラス x 教科ごとに点数の平均を求める
df.pivot_table(index="クラス", columns="教科", values="点数")

クラス	国語	数学
1-A	77.6	91.2
1-B	79.6	93.4

1-Aの国語の平均点が77.6点になっており、写経でgroupby()を使って計算した結果と同じであることがわかります。

pivot_table()はデフォルトでは平均を求めますが、引数aggfuncで他の集約方法を指定することも可能です。