知識：Pandas的GroupBy遵從split、apply、combine模式

這里的split指的是pandas的groupby，我們自己實現apply函數，apply返回的結果由pandas進行combine得到結果

GroupBy.apply(function)

• function的第一個參數是dataframe

• function的返回結果，可是dataframe、series、單個值，甚至和輸入dataframe完全沒關系

本次實例演示：

1. 怎樣對數值列按分組的歸一化？

2. 怎樣取每個分組的TOPN數據？

實例1：怎樣對數值列按分組的歸一化？

將不同范圍的數值列進行歸一化，映射到[0,1]區間：

• 更容易做數據橫向對比，比如價格字段是幾百到幾千，增幅字段是0到100

• 機器學習模型學的更快性能更好

歸一化的公式：

演示：用戶對電影評分的歸一化

每個用戶的評分不同，有的樂觀派評分高，有的悲觀派評分低，按用戶做歸一化

import pandas as pd

ratings = pd.read_csv(
    "./datas/movielens-1m/ratings.dat", 
    sep="::",
    engine='python', 
    names="UserID::MovieID::Rating::Timestamp".split("::")
)
ratings.head()

# 實現按照用戶ID分組，然后對其中一列歸一化
def ratings_norm(df):
    """
    @param df：每個用戶分組的dataframe
    """
    min_value = df["Rating"].min()
    max_value = df["Rating"].max()
    df["Rating_norm"] = df["Rating"].apply(
        lambda x: (x-min_value)/(max_value-min_value))
    return df

ratings = ratings.groupby("UserID").apply(ratings_norm)

ratings[ratings["UserID"]==1].head()

可以看到UserID==1這個用戶，Rating==3是他的最低分，是個樂觀派，我們歸一化到0分；

實例2：怎樣取每個分組的TOPN數據？

獲取2018年每個月溫度最高的2天數據

fpath = "./datas/beijing_tianqi/beijing_tianqi_2018.csv"
df = pd.read_csv(fpath)
# 替換掉溫度的后綴℃
df.loc[:, "bWendu"] = df["bWendu"].str.replace("℃", "").astype('int32')
df.loc[:, "yWendu"] = df["yWendu"].str.replace("℃", "").astype('int32')
# 新增一列為月份
df['month'] = df['ymd'].str[:7]
df.head()

def getWenduTopN(df, topn):
    """
    這里的df，是每個月份分組group的df
    """
    return df.sort_values(by="bWendu")[["ymd", "bWendu"]][-topn:]

df.groupby("month").apply(getWenduTopN, topn=1).head()

我們看到，grouby的apply函數返回的dataframe，其實和原來的dataframe其實可以完全不一樣