De methode agg()

Als je rechtstreeks sum() of mean() aanroept op een GroupBy-object, krijg je één statistiek. Bij echte analyses heb je echter vaak meerdere statistieken tegelijk nodig — bijvoorbeeld de totale omzet, de gemiddelde ordergrootte en het aantal orders per regio. Met de methode agg() (een afkorting van aggregate) kun je dit allemaal in één efficiënte aanroep berekenen, in plaats van afzonderlijke aggregaties uit te voeren en de resultaten samen te voegen.

De eenvoudigste manier om agg() te gebruiken is een lijst met tekenreeksen met functienamen doorgeven. Pandas past elke functie toe op de geselecteerde kolom en retourneert een DataFrame waarin elke kolom overeenkomt met één functie. Deze aanpak werkt met elke ingebouwde aggregatienaam: 'sum', 'mean', 'min', 'max', 'count', 'std', 'median' en andere.

Wanneer je een lijst met tekenreeksen doorgeeft, worden de uitvoerkolommen genoemd naar de functies zelf ('sum', 'mean' enzovoort). Gebruik voor overzichtelijkere uitvoer benoemde aggregaties: geef sleutelwoordargumenten door waarbij de sleutel jouw gewenste kolomnaam is en de waarde een tuple van (column, function). Dit is de moderne Pandas-aanpak en levert code op die zichzelf documenteert.

Je kunt een woordenboek doorgeven aan agg() waarbij elke sleutel een kolomnaam is en elke waarde een functie (of een lijst met functies) die op die kolom moet worden toegepast. Zo kun je bijvoorbeeld sum berekenen voor revenue en mean voor units, allemaal in één GroupBy-aanroep.

Wanneer je een woordenboek met meerdere functies per kolom doorgeeft, heeft het resultaat een MultiIndex voor de kolommen. Het eerste niveau is de oorspronkelijke kolomnaam en het tweede niveau is de functienaam. Je kunt deze kolomnamen met een lijstcomprehensie afvlakken tot één tekenreeks, zodat je gemakkelijker met het resultaat kunt werken in vervolgstappen.

Naast tekenreeksen met namen kun je elke aanroepbare Python-functie doorgeven aan agg(). De functie ontvangt een Series (de waarden voor die kolom in één groep) en moet een scalaire waarde retourneren. Je kunt een lambda of een benoemde functie doorgeven. Aangepaste functies zijn flexibeler, maar langzamer dan ingebouwde functies met een naam, omdat ze geen gebruik kunnen maken van optimalisaties op C-niveau.

De syntaxis voor benoemde aggregaties werkt ook met aanroepbare functies, niet alleen met namen als tekenreeksen. Geef als waarde van het trefwoordargument gewoon een tuple van (column, function) door, waarbij de functie elke aanroepbare functie kan zijn die een Series accepteert en een scalaire waarde retourneert. Zo blijft je code leesbaar, ook wanneer je ingebouwde functies combineert met aangepaste logica.

Wanneer je agg() aanroept op een GroupBy zonder een specifieke kolom te selecteren, past Pandas de functie toe op elke numerieke kolom in de DataFrame. Dit is een snelle manier om alle numerieke kolommen tegelijk samen te vatten. Houd er rekening mee dat kolommen met niet-numerieke gegevenstypen bij de meeste aggregaties stilzwijgend worden overgeslagen.

Na agg() staan de kolom(men) waarop je groepeerde in de index. Een veelgebruikt patroon is om direct daarna reset_index() aan te roepen, zodat je een vlakke DataFrame krijgt waarin de groepssleutels gewone kolommen zijn. Je kunt het resultaat daarna net als elke andere DataFrame hernoemen, sorteren en filteren, waardoor je het eenvoudig verder kunt verwerken of exporteren.

Het is belangrijk om drie GroupBy-methoden van elkaar te onderscheiden: agg() reduceert elke groep tot één scalaire waarde, waardoor het resultaat minder rijen bevat dan het origineel. transform() retourneert een array met dezelfde vorm als de invoer, zodat je statistieken op groepsniveau als nieuwe kolommen kunt toevoegen. apply() is het meest flexibel, maar ook het traagst; dit wordt in de volgende les behandeld.

Hier is een realistisch voorbeeld van begin tot eind: bereken een tabel met een verkoopsamenvatting met de totale omzet, de gemiddelde orderwaarde, het aantal orders en het omzetbereik per regio, met duidelijke kolomnamen en gesorteerd op aflopende totale omzet. Dit patroon is direct toepasbaar in werkstromen voor product-, financiële en marketinganalyses.

In deze les heb je geleerd hoe je meerdere aggregaties tegelijk uitvoert met agg(), hoe je benoemde aggregaties gebruikt voor duidelijke kolomnamen en hoe je met een dict verschillende functies op verschillende kolommen toepast. Hierna bekijken we transform() en filter(), waarmee je informatie op groepsniveau terug aan de oorspronkelijke DataFrame toevoegt.