GroupBy con una o più chiavi

La chiamata GroupBy più semplice utilizza una singola colonna come chiave di raggruppamento. Chiami df.groupby('column_name') e concateni un’aggregazione. Pandas crea un gruppo per ogni valore univoco della colonna e applica l’aggregazione a ogni colonna numerica, oppure alla colonna selezionata. Questa è la forma di GroupBy più comune nell’analisi quotidiana.

Dopo aver chiamato groupby(), può selezionare una colonna usando la notazione con parentesi quadre per ottenere una SeriesGroupBy, oppure più colonne tramite un elenco per ottenere una DataFrameGroupBy. Se omette completamente la selezione, Pandas aggrega tutte le colonne numeriche: è comodo, ma può produrre risultati imprevisti quando sono presenti colonne numeriche non pertinenti.

Pandas supporta un insieme completo di metodi di aggregazione integrati sugli oggetti GroupBy: sum(), mean(), median(), min(), max(), count(), std(), var(), first() e last(). Ognuno restituisce uno scalare per gruppo, fornendo una tabella riepilogativa ordinata per chiave di raggruppamento.

Passi un elenco di nomi di colonne a groupby() per raggruppare simultaneamente per più dimensioni. Ogni combinazione univoca di valori in tali colonne diventa un gruppo distinto. Il risultato presenta un MultiIndex con un livello per ogni colonna di raggruppamento, consentendo di analizzare riepiloghi su più dimensioni in un solo passaggio.

Quando raggruppa i dati per più chiavi, l’indice del risultato è un MultiIndex. Può accedere a uno specifico livello esterno con .loc['value'] e navigare nei livelli interni usando le tuple. La chiamata a reset_index() trasforma il MultiIndex in colonne normali, soluzione spesso più comoda per ulteriori operazioni o per l’esportazione.

Per impostazione predefinita, le colonne di raggruppamento diventano l’indice del risultato. Passando as_index=False, rimangono invece colonne normali, producendo un DataFrame semplice, più facile da passare ad altre operazioni Pandas o da esportare. È equivalente a chiamare reset_index() sul risultato.

count() restituisce il numero di valori non null in ogni gruppo. Se desidera il numero totale di righe per gruppo indipendentemente dai valori null, utilizzi invece size(). Questa distinzione è importante quando i dati contengono valori mancanti, perché count() sottostima i gruppi che contengono valori NaN.

Per impostazione predefinita, GroupBy ordina il risultato in base alla chiave del gruppo. Può disattivare l’ordinamento con sort=False per mantenere l’ordine originale della prima occorrenza; questa soluzione è anche leggermente più veloce con dataset di grandi dimensioni. Una volta ottenuto il risultato come DataFrame, può ordinarlo ulteriormente con sort_values() in base a qualsiasi colonna.

I risultati di GroupBy sono Series o DataFrame normali, quindi può concatenare immediatamente altri metodi Pandas. Un pattern comune consiste nell’aggregare, chiamare reset_index(), rinominare le colonne e infine chiamare sort_values(), tutto in un’unica catena di metodi leggibile, senza memorizzare variabili intermedie.

Spesso è necessario calcolare più di una statistica per gruppo. Passi un elenco di nomi di funzioni a .agg() per calcolarle simultaneamente. Il risultato è un DataFrame con una colonna per ogni funzione. È più efficiente che chiamare separatamente ogni aggregazione, perché Pandas le elabora tutte in un’unica scansione dei dati.

Quando una colonna di raggruppamento ha il dtype Categorical, Pandas include per impostazione predefinita tutte le categorie nel risultato, anche quelle senza righe. Questo può essere utile per assicurarsi che la tabella riepilogativa mostri sempre ogni categoria, ma crea righe con NaN o 0 per i gruppi vuoti. Può controllare questo comportamento con il parametro observed (impostandolo su True per ignorare le categorie vuote).

Verifichi la Sua comprensione di GroupBy con chiavi singole e multiple, sulla base di questa lezione.

In questa lezione ha imparato a raggruppare i dati per una singola colonna e applicare aggregazioni comuni, a raggrupparli per più colonne per produrre riepiloghi su più dimensioni e a distinguere tra count() e size() quando sono presenti valori null. Ora vedremo il potente metodo agg() per calcolare più statistiche diverse in un’unica chiamata.