4.8 Groupby 和 Combine

在 R 编程语言中，Wickham (2011) 推广了用于数据转换的 split-apply-combine 模式。 在该模式中，我们先将数据 split 成不同组，然后对每一组 apply 一个或多个函数，最后 combine 每组的结果。 DataFrames.jl 完全支持 split-apply-combine 模式。 本节使用之前的学生成绩数据作为示例。 假设想获得每个学生的平均成绩：

function all_grades()
    df1 = grades_2020()
    df1 = select(df1, :name, :grade_2020 => :grade)
    df2 = grades_2021()
    df2 = select(df2, :name, :grade_2021 => :grade)
    rename_bob2(data_col) = replace.(data_col, "Bob 2" => "Bob")
    df2 = transform(df2, :name => rename_bob2 => :name)
    return vcat(df1, df2)
end
all_grades()

按照该模式，先将数据集按照学生名称 split 为不同组，其次对每组数据 apply 均值函数，最后 combine 每组的结果。

在 split 步骤中使用的函数为 groupby，并将函数的第二个参数列 ID 指定为数据集分割的条件。

groupby(all_grades(), :name)

GroupedDataFrame with 4 groups based on key: name
Group 1 (2 rows): name = "Sally"
 Row │ name    grade
     │ String  Float64
─────┼─────────────────
   1 │ Sally       1.0
   2 │ Sally       9.5
Group 2 (2 rows): name = "Bob"
 Row │ name    grade
     │ String  Float64
─────┼─────────────────
   1 │ Bob         5.0
   2 │ Bob         9.5
Group 3 (1 row): name = "Alice"
 Row │ name    grade
     │ String  Float64
─────┼─────────────────
   1 │ Alice       8.5
Group 4 (2 rows): name = "Hank"
 Row │ name    grade
     │ String  Float64
─────┼─────────────────
   1 │ Hank        4.0
   2 │ Hank        6.0

mean 函数来自 Julia 标准库中的 Statistics 模块:

using Statistics

应用此函数时，需调用 combine 函数：

gdf = groupby(all_grades(), :name)
combine(gdf, :grade => mean)

想象一下，如果没有 groupby 和 combine 函数，则需按照下文这样做。 我们必须循环遍历数据以将其分割为多组，然后循环遍历每组以应用函数，以及 循环遍历每组以收集最终结果。 因此，split-apply-combine 模式是值得掌握的技术。

4.8.1 Multiple Source Columns

但如果我们想将一个函数应用到多列数据，该如何操作？

group = [:A, :A, :B, :B]
X = 1:4
Y = 5:8
df = DataFrame(; group, X, Y)

操作与之前类似：

gdf = groupby(df, :group)
combine(gdf, [:X, :Y] .=> mean; renamecols=false)

注意到，我们在右箭头 => 前使用了 . 点运算符，这表示 mean 函数将应用到多个列 [:X, :Y]。

要在combine中使用组合函数，一种简单的方法是创建一个函数来执行预期的组合变换。 例如，对于一组数据，在先应用 mean后调用 round 对值取整（即 Int ）。

gdf = groupby(df, :group)
rounded_mean(data_col) = round(Int, mean(data_col))
combine(gdf, [:X, :Y] .=> rounded_mean; renamecols=false)