GroupBy avec une ou plusieurs clés

L’appel GroupBy le plus simple utilise une seule colonne comme clé de regroupement. Vous appelez df.groupby('column_name'), puis enchaînez une agrégation. Pandas crée un groupe pour chaque valeur unique de cette colonne et applique l’agrégation à chaque colonne numérique, ou à la colonne sélectionnée. Il s’agit de la forme de GroupBy la plus courante dans l’analyse quotidienne.

Après avoir appelé groupby(), vous pouvez sélectionner une colonne avec la notation entre crochets pour obtenir une SeriesGroupBy, ou sélectionner plusieurs colonnes avec une liste pour obtenir une DataFrameGroupBy. Si vous omettez entièrement la sélection, Pandas agrège toutes les colonnes numériques. C’est pratique, mais cela peut produire des résultats inattendus si certaines colonnes numériques ne sont pas pertinentes.

Pandas prend en charge un ensemble complet de méthodes d’agrégation intégrées sur les objets GroupBy : sum(), mean(), median(), min(), max(), count(), std(), var(), first() et last(). Chacune renvoie un scalaire par groupe, ce qui fournit une table récapitulative claire indexée par la clé de regroupement.

Transmettez une liste de noms de colonnes à groupby() pour effectuer un regroupement selon plusieurs dimensions à la fois. Chaque combinaison unique de valeurs dans ces colonnes devient son propre groupe. Le résultat possède un MultiIndex avec un niveau par colonne de regroupement, ce qui vous permet d’examiner en une seule étape des récapitulatifs croisant plusieurs dimensions.

Lorsque vous regroupez les données selon plusieurs clés, l’index du résultat est un MultiIndex. Vous pouvez accéder à un niveau externe précis avec .loc['value'] et parcourir les niveaux internes avec des tuples. L’appel de reset_index() transforme le MultiIndex en colonnes ordinaires, ce qui est souvent plus pratique pour les opérations suivantes ou pour l’exportation.

Par défaut, les colonnes de regroupement deviennent l’index du résultat. Le passage de as_index=False les conserve plutôt comme des colonnes ordinaires, ce qui vous donne un DataFrame à structure plate, plus facile à transmettre aux opérations Pandas suivantes ou à exporter. Cela revient à appeler reset_index() sur le résultat.

count() renvoie le nombre de valeurs non nulles dans chaque groupe. Si vous souhaitez obtenir le nombre total de lignes par groupe, quelles que soient les valeurs nulles, utilisez plutôt size(). Cette distinction est importante lorsque vos données contiennent des valeurs manquantes, car count() sous-estimera le nombre de lignes des groupes contenant des entrées NaN.

Par défaut, GroupBy trie le résultat selon la clé de groupe. Vous pouvez désactiver le tri avec sort=False afin de conserver l’ordre d’apparition initiale, ce qui est légèrement plus rapide pour les grands ensembles de données. Une fois le résultat obtenu sous forme de DataFrame, vous pouvez le trier davantage avec sort_values() sur n’importe quelle colonne.

Les résultats de GroupBy sont des Series ou des DataFrames ordinaires : vous pouvez donc leur appliquer immédiatement d’autres méthodes Pandas. Un modèle courant consiste à agréger, puis à appeler reset_index(), à renommer les colonnes, puis à appeler sort_values(), le tout dans une seule chaîne de méthodes lisible, sans stocker de variables intermédiaires.

Vous avez souvent besoin de plusieurs statistiques par groupe. Transmettez une liste de noms de fonctions à .agg() pour les calculer simultanément. Le résultat est un DataFrame avec une colonne par fonction. Cette approche est plus efficace que l’appel séparé de chaque agrégation, car Pandas les traite toutes en un seul passage sur les données.

Lorsqu’une colonne de regroupement possède le type Categorical, Pandas inclut par défaut toutes les catégories dans le résultat, y compris celles qui ne contiennent aucune ligne. Cela peut être utile pour garantir que votre table récapitulative affiche toujours chaque catégorie, mais crée des lignes contenant NaN ou 0 pour les groupes vides. Contrôlez ce comportement avec le paramètre observed — définissez-le sur True pour ignorer les catégories vides.

Dans cette leçon, vous avez appris à regrouper les données selon une seule colonne et à appliquer des agrégations courantes, à regrouper les données selon plusieurs colonnes pour produire des récapitulatifs croisant plusieurs dimensions, ainsi qu’à distinguer count() et size() lorsque des valeurs nulles sont présentes. Nous allons maintenant étudier la puissante méthode agg(), qui permet de calculer plusieurs statistiques différentes en un seul appel.