GroupBy e aggregazione
df.groupby(), agg(), transform(), apply() e aggregazioni denominate con Named Aggregation.
GroupBy e aggregazione è una lezione Learn AI with Python gratuita su CoddyKit. Questa è la lezione 1 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento Learn AI with Python, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso Learn AI with Python include 4 lezioni in totale.
L'idea split-apply-combine
GroupBy segue il pattern split-apply-combine: suddivide le righe in gruppi in base a una chiave, applica una funzione a ogni gruppo e combina poi i risultati in un unico frame. È alla base della maggior parte dei riepiloghi analitici.
import pandas as pd
df = pd.DataFrame({
"dept": ["A", "A", "B", "B", "B"],
"salary": [50, 70, 40, 60, 80],
})groupby di base
df.groupby("col") crea un oggetto raggruppato. Aggiungendo a catena un'aggregazione come .mean(), calcola un valore per ogni gruppo.
print(df.groupby("dept")["salary"].mean())
# dept
# A 60.0
# B 60.0Aggregazioni multiple
Richiami più riduzioni contemporaneamente con .agg([...]), ottenendo una colonna per ogni funzione.
print(df.groupby("dept")["salary"].agg(["mean", "min", "max", "count"]))Dizionario di aggregazione per colonna
Passi un dizionario a .agg per applicare funzioni diverse a colonne diverse.
df["bonus"] = [5, 7, 4, 6, 8]
out = df.groupby("dept").agg({"salary": "mean", "bonus": "sum"})
print(out)Aggregazione con nome
L'aggregazione con nome assegna nomi chiari alle colonne di output utilizzando la sintassi pd.NamedAgg. In questo modo evita intestazioni di colonne multilivello difficili da interpretare.
out = df.groupby("dept").agg(
avg_salary=("salary", "mean"),
total_bonus=("bonus", "sum"),
)
print(out)Raggruppamento per più chiavi
Passi una lista di colonne per raggruppare contemporaneamente in base a più chiavi, ottenendo un risultato gerarchico (MultiIndex).
df["level"] = ["jr", "sr", "jr", "sr", "sr"]
print(df.groupby(["dept", "level"])["salary"].mean())transform: stesso numero di righe in output
.transform() restituisce un risultato allineato alle righe ORIGINALI, non una riga per gruppo. È perfetto per aggiungere una statistica del gruppo come nuova colonna.
df["dept_avg"] = df.groupby("dept")["salary"].transform("mean")
print(df[["dept", "salary", "dept_avg"]])transform per la normalizzazione
Poiché transform riporta il risultato a ogni riga, può normalizzare i dati all'interno dei gruppi, ad esempio sottraendo la media del gruppo.
df["centered"] = df["salary"] - df.groupby("dept")["salary"].transform("mean")
print(df[["dept", "salary", "centered"]])apply per la logica personalizzata
.apply() passa ogni gruppo (come un sotto-DataFrame) alla Sua funzione. Lo utilizzi per una logica che le aggregazioni integrate non sono in grado di esprimere, ad esempio per restituire le prime N righe di ogni gruppo.
top = df.groupby("dept").apply(lambda g: g.nlargest(1, "salary"))
print(top[["dept", "salary"]])agg vs transform vs apply
agg riduce ogni gruppo a un unico valore. transform restituisce un valore per ogni riga originale. apply è il metodo generico e flessibile (ma più lento). Scelga il metodo più specifico per maggiore chiarezza e velocità.
Rimuovere il raggruppamento con reset_index
I risultati di GroupBy inseriscono le chiavi nell'indice. Chiami .reset_index() per trasformarle nuovamente in colonne normali, come si aspettano la maggior parte delle operazioni successive.
flat = df.groupby("dept")["salary"].mean().reset_index()
print(flat)
# dept salary
# 0 A 60.0
# 1 B 60.0Verifica rapida
Metta alla prova la Sua comprensione di groupby.
Riepilogo
Elementi essenziali di GroupBy:
- Split-apply-combine tramite
df.groupby("col") .agg([...])e aggregazioni tramite dizionari o con nome per più statistiche.transform()restituisce risultati con la forma originale.apply()per una logica arbitraria per gruppo- Utilizzi sempre
.reset_index()per riportare le chiavi dei gruppi nelle colonne
Domande Frequenti
La lezione «GroupBy e aggregazione» è gratuita?
Sì — il testo completo di «GroupBy e aggregazione» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso Learn AI with Python, passa a CoddyKit PRO. Il corso Learn AI with Python include 4 lezioni in totale.
Cosa imparerò in «GroupBy e aggregazione»?
df.groupby(), agg(), transform(), apply() e aggregazioni denominate con Named Aggregation. Eserciti Learn AI with Python con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare Learn AI with Python?
Non è richiesta alcuna esperienza precedente. Learn AI with Python su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 1 di 4.
Quanto tempo richiede la lezione «GroupBy e aggregazione»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione Learn AI with Python?
Sì. Ogni lezione Learn AI with Python include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- GroupBy e aggregazione
- Tabelle pivot e tabelle di contingenza
- Merge e join avanzati
- Serie temporali in Pandas