Metoden agg()

Når du kalder sum() eller mean() direkte på et GroupBy-objekt, får du én enkelt statistik. I virkelige analyser har du dog ofte brug for flere statistikker på én gang — for eksempel den samlede omsætning, den gennemsnitlige ordrestørrelse og antallet af ordrer pr. region. Metoden agg() (en forkortelse for aggregate) lader dig beregne alle disse i ét effektivt kald i stedet for at køre separate aggregeringer og flette resultaterne sammen.

Den enkleste brug af agg() er at angive en liste med strenge, der indeholder funktionsnavne. Pandas anvender hver funktion på den valgte kolonne og returnerer en DataFrame, hvor hver kolonne svarer til én funktion. Denne tilgang fungerer med alle indbyggede aggregeringsnavne: 'sum', 'mean', 'min', 'max', 'count', 'std', 'median' og flere.

Når du angiver en liste med strenge, navngives resultatkolonnerne efter selve funktionerne ('sum', 'mean' osv.). Du får et mere overskueligt resultat ved at bruge navngivne aggregeringer: angiv nøgleordsargumenter, hvor nøglen er det ønskede kolonnenavn, og værdien er en tupel med (column, function). Dette er den moderne tilgang i Pandas og giver selvforklarende kode.

Du kan sende en ordbog til agg(), hvor hver nøgle er et kolonnenavn, og hver værdi er en funktion eller en liste med funktioner, der skal anvendes på kolonnen. På den måde kan du for eksempel beregne sum for revenue og mean for units i ét enkelt GroupBy-kald.

Når du sender en ordbog med flere funktioner pr. kolonne, har resultatet et MultiIndex på kolonnerne. Det første niveau er det oprindelige kolonnenavn, og det andet niveau er funktionsnavnet. Du kan omdanne disse kolonnenavne til én enkelt streng med en listeforståelse, så resultatet bliver lettere at arbejde videre med.

Ud over strengnavne kan du sende enhver Python-kaldbar funktion til agg(). Funktionen modtager en Series — værdierne for den pågældende kolonne i én gruppe — og skal returnere en skalar. Du kan sende en lambda eller en navngiven funktion. Brugerdefinerede funktioner er mere fleksible, men langsommere end indbyggede navngivne funktioner, fordi de ikke kan bruge optimeringer på C-niveau.

Navngiven aggregeringssyntaks fungerer også med kaldelige funktioner, ikke kun med strengnavne. Du skal blot angive en tupel med (column, function) som værdi for nøgleordsargumentet, hvor funktionen kan kaldes, tager imod en Series og returnerer en skalar. Det holder koden læsbar, selv når du kombinerer indbyggede funktioner med brugerdefineret logik.

Når du kalder agg() på en GroupBy uden at vælge en bestemt kolonne, anvender Pandas funktionen på alle numeriske kolonner i DataFrame. Det er en hurtig måde at få en oversigt over alle numeriske kolonner på én gang. Vær opmærksom på, at kolonner med ikke-numeriske datatyper i de fleste aggregeringer springes over uden meddelelse.

Efter agg() bliver grupperingskolonnen eller -kolonnerne til indekset. Et almindeligt mønster er straks at kalde reset_index() for at få en flad DataFrame, hvor gruppenøglerne er almindelige kolonner. Derefter kan du omdøbe, sortere og filtrere resultatet som enhver anden DataFrame, så det nemt kan sendes videre eller eksporteres.

Det er vigtigt at skelne mellem tre GroupBy-metoder: agg() reducerer hver gruppe til en skalar og giver et resultat med færre rækker end det oprindelige. transform() returnerer et array med samme form som inputtet, så du kan tilføje statistik på gruppeniveau som nye kolonner. apply() er den mest fleksible, men også den langsomste, og gennemgås i næste lektion.

Her er et realistisk eksempel fra start til slut: Beregn en salgstabel med samlet omsætning, gennemsnitlig ordreværdi, antal ordrer og omsætningsinterval pr. region, med tydelige kolonnenavne og sorteret efter samlet omsætning i faldende rækkefølge. Dette mønster kan anvendes direkte i arbejdsgange for produkt-, finans- og marketinganalyse.

I denne lektion har du lært, hvordan du beregner flere aggregeringer på én gang med agg(), hvordan du bruger navngivne aggregeringer til tydelige kolonnenavne, og hvordan du anvender forskellige funktioner på forskellige kolonner ved hjælp af en dict. Dernæst undersøger vi transform() og filter(), som føjer oplysninger på gruppeniveau tilbage til den oprindelige DataFrame.