GroupBy와 집계
df.groupby(), agg(), transform(), apply(), Named Aggregation을 활용한 이름 지정 집계를 학습합니다.
GroupBy와 집계은(는) CoddyKit의 무료 Learn AI with Python 강의입니다. 이것은 4개 중 1번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Learn AI with Python 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.
분할-적용-결합 개념
GroupBy는 분할-적용-결합 패턴을 따릅니다. 키를 기준으로 행을 그룹으로 나누고, 각 그룹에 함수를 적용한 다음, 결과를 하나의 데이터 프레임으로 결합합니다. 대부분의 분석 요약 작업을 뒷받침하는 방식입니다.
import pandas as pd
df = pd.DataFrame({
"dept": ["A", "A", "B", "B", "B"],
"salary": [50, 70, 40, 60, 80],
})기본 groupby
df.groupby("col")은 그룹화된 객체를 생성합니다. .mean()과 같은 집계를 연결하면 그룹마다 하나의 값을 계산합니다.
print(df.groupby("dept")["salary"].mean())
# dept
# A 60.0
# B 60.0여러 집계
.agg([...])를 사용하면 여러 축약 연산을 한 번에 호출하여 함수마다 하나의 열을 만들 수 있습니다.
print(df.groupby("dept")["salary"].agg(["mean", "min", "max", "count"]))열별 집계 딕셔너리
.agg에 딕셔너리를 전달하면 열마다 서로 다른 함수를 적용할 수 있습니다.
df["bonus"] = [5, 7, 4, 6, 8]
out = df.groupby("dept").agg({"salary": "mean", "bonus": "sum"})
print(out)이름 지정 집계
이름 지정 집계를 사용하면 pd.NamedAgg 구문으로 결과 열에 명확한 이름을 지정할 수 있습니다. 이를 통해 혼란스러운 다중 수준 열 머리글을 피할 수 있습니다.
out = df.groupby("dept").agg(
avg_salary=("salary", "mean"),
total_bonus=("bonus", "sum"),
)
print(out)여러 키로 그룹화
열 목록을 전달하면 여러 키를 한 번에 기준으로 그룹화할 수 있으며, 계층형(MultiIndex) 결과가 생성됩니다.
df["level"] = ["jr", "sr", "jr", "sr", "sr"]
print(df.groupby(["dept", "level"])["salary"].mean())transform: 같은 형태의 결과
.transform()은 그룹마다 한 행을 반환하는 것이 아니라 ORIGINAL 행에 맞춰진 결과를 반환합니다. 그룹 통계량을 새 열로 다시 추가할 때 특히 유용합니다.
df["dept_avg"] = df.groupby("dept")["salary"].transform("mean")
print(df[["dept", "salary", "dept_avg"]])정규화를 위한 transform
transform은 각 행에 다시 브로드캐스팅되므로 그룹 내에서 정규화할 수 있습니다. 예를 들어 그룹 평균을 뺄 수 있습니다.
df["centered"] = df["salary"] - df.groupby("dept")["salary"].transform("mean")
print(df[["dept", "salary", "centered"]])사용자 지정 로직을 위한 apply
.apply()는 각 그룹을 하위 DataFrame으로 만들어 사용자의 함수에 전달합니다. 그룹마다 상위 N개 행을 반환하는 것처럼 기본 제공 집계로 표현할 수 없는 로직에 사용합니다.
top = df.groupby("dept").apply(lambda g: g.nlargest(1, "salary"))
print(top[["dept", "salary"]])agg와 transform과 apply 비교
agg는 각 그룹을 하나의 값으로 축약합니다. transform은 원래 각 행에 해당하는 하나의 값을 반환합니다. apply는 유연하지만 느린 범용 처리 방식입니다. 명확성과 속도를 위해 가장 구체적인 방식을 선택하세요.
reset_index를 사용한 그룹 해제
GroupBy 결과에서는 키가 인덱스에 들어갑니다. .reset_index()를 호출하면 키를 일반 열로 되돌릴 수 있으며, 대부분의 후속 코드가 이를 기대합니다.
flat = df.groupby("dept")["salary"].mean().reset_index()
print(flat)
# dept salary
# 0 A 60.0
# 1 B 60.0빠른 확인
groupby에 대한 이해도를 확인해 보세요.
복습
GroupBy의 핵심:
df.groupby("col")을 통한 분할-적용-결합- 여러 통계를 위한
.agg([...])및 딕셔너리/이름 지정 집계 .transform()은 원본과 같은 형태의 결과를 반환합니다- 임의의 그룹별 로직에는
.apply()사용 - 그룹 키를 다시 열로 펼치려면 항상
.reset_index()사용
자주 묻는 질문
“GroupBy와 집계” 강의는 무료인가요?
네 — “GroupBy와 집계” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Learn AI with Python 강의 전체를 잠금 해제할 수 있습니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.
“GroupBy와 집계”에서 뭘 배우나요?
df.groupby(), agg(), transform(), apply(), Named Aggregation을 활용한 이름 지정 집계를 학습합니다. 브라우저에서 직접 실행하는 실습 코드로 Learn AI with Python을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.
Learn AI with Python을(를) 시작하는 데 경험이 필요한가요?
사전 경험은 필요하지 않습니다. CoddyKit의 Learn AI with Python은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 1번째 강의입니다.
“GroupBy와 집계” 강의는 얼마나 걸리나요?
대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.
이 Learn AI with Python 강의에서 코드를 작성하고 실행할 수 있나요?
네. 모든 Learn AI with Python 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.
이 강의의 모든 강의
- GroupBy와 집계
- 피벗 테이블과 교차 집계
- 고급 병합 및 결합
- Pandas의 시계열