0Pricing
Python Academy · Lekcja

GroupBy, agregacja i tabele przestawne

Proszę podsumowywać dane za pomocą operacji groupby i tabel przestawnych.

GroupBy, agregacja i tabele przestawne to bezpłatna lekcja Python Academy na CoddyKit. To lekcja 3 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Python Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Python Academy zawiera 4 lekcji w sumie.

Podstawy groupby

df.groupby("col") dzieli obiekt DataFrame na grupy według unikatowych wartości kolumny. Aby uzyskać wyniki, należy dodać operację agregacji.

import pandas as pd

df = pd.DataFrame({
    "dept":["HR","IT","HR","IT","HR"],
    "salary":[60,80,65,90,70]
})
print(df.groupby("dept")["salary"].mean())
# HR    65.0
# IT    85.0

Wiele funkcji agregujących

Za pomocą agg() można jednocześnie zastosować wiele funkcji agregujących.

import pandas as pd

df = pd.DataFrame({"dept":["HR","IT","HR","IT"],"sal":[60,80,65,90]})
result = df.groupby("dept")["sal"].agg(["mean","max","count"])
print(result)

Nazwane agregacje

Argumenty nazwane w agg() pozwalają jawnie nadawać nazwy kolumnom wynikowym (Pandas 0.25+).

import pandas as pd

df = pd.DataFrame({"dept":["HR","IT","HR","IT"],"sal":[60,80,65,90]})
result = df.groupby("dept").agg(
    avg_sal=("sal","mean"),
    max_sal=("sal","max"),
    count=("sal","size")
)
print(result)

groupby dla wielu kolumn

Przekazanie listy kolumn pozwala utworzyć hierarchiczne grupy.

import pandas as pd

df = pd.DataFrame({
    "year":[2023,2023,2024,2024],
    "dept":["HR","IT","HR","IT"],
    "sal":[60,80,65,90]
})
print(df.groupby(["year","dept"])["sal"].sum())

transform()

transform zwraca obiekt Series wyrównany do oryginalnego indeksu — jest to przydatne do dodawania statystyk na poziomie grup z powrotem do oryginalnego obiektu DataFrame.

import pandas as pd

df = pd.DataFrame({"dept":["HR","IT","HR","IT"],"sal":[60,80,65,90]})
df["dept_avg"] = df.groupby("dept")["sal"].transform("mean")
print(df)

filter()

filter(func) pozostawia tylko te grupy, dla których funkcja zwraca True.

import pandas as pd

df = pd.DataFrame({"dept":["HR","IT","HR"],"sal":[60,80,65]})
# Keep only departments with mean salary > 70:
result = df.groupby("dept").filter(lambda g: g["sal"].mean() > 70)
print(result)

pivot_table

pd.pivot_table tworzy podsumowanie w stylu arkusza kalkulacyjnego z niestandardową agregacją.

import pandas as pd

df = pd.DataFrame({
    "year":[2023,2023,2024,2024],
    "region":["East","West","East","West"],
    "sales":[100,150,120,200]
})
pt = pd.pivot_table(df, values="sales",
                    index="year", columns="region",
                    aggfunc="sum")
print(pt)

crosstab

pd.crosstab oblicza tabelę krzyżową — jest to przydatne do zliczania kombinacji wartości kategorialnych.

import pandas as pd

df = pd.DataFrame({"gender":["M","F","M","F","M"],"result":["pass","pass","fail","fail","pass"]})
print(pd.crosstab(df["gender"], df["result"]))

apply()

apply(func) stosuje niestandardową funkcję do obiektu DataFrame każdej grupy (axis=0) albo do każdego wiersza lub kolumny (axis=1).

import pandas as pd

df = pd.DataFrame({"dept":["HR","IT","HR"],"sal":[60,80,65]})

def range_sal(g):
    return g["sal"].max() - g["sal"].min()

print(df.groupby("dept").apply(range_sal))

unstack do zmiany kształtu

Po wykonaniu grupowania wielopoziomowego za pomocą unstack() można przenieść najbardziej wewnętrzny poziom indeksu do kolumn.

import pandas as pd

df = pd.DataFrame({"year":[2023,2023,2024],"dept":["HR","IT","HR"],"sal":[60,80,65]})
result = df.groupby(["year","dept"])["sal"].mean().unstack()
print(result)

resample dla szeregów czasowych

resample("M") grupuje obiekt DataFrame szeregu czasowego według okresu kalendarzowego, umożliwiając agregacje miesięczne lub roczne.

import pandas as pd

idx = pd.date_range("2024-01-01", periods=90, freq="D")
df = pd.DataFrame({"sales": range(90)}, index=idx)
monthly = df.resample("ME").sum()
print(monthly)

Szybkie sprawdzenie

Co zwraca groupby().transform("mean")?

Podsumowanie

groupby dzieli dane na grupy w celu wykonania agregacji. agg() służy do stosowania wielu funkcji, transform() do przekazywania statystyk grup z powrotem do wierszy, filter() do usuwania grup, a pivot_table()/crosstab() do tworzenia podsumowań wielowymiarowych.

Często zadawane pytania

Czy lekcja „GroupBy, agregacja i tabele przestawne” jest bezpłatna?

Tak — pełny tekst „GroupBy, agregacja i tabele przestawne” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Python Academy, przejdź na CoddyKit PRO. Kurs Python Academy zawiera 4 lekcji w sumie.

Co nauczysz się w „GroupBy, agregacja i tabele przestawne”?

Proszę podsumowywać dane za pomocą operacji groupby i tabel przestawnych. Ćwiczysz Python Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć Python Academy?

Nie wymagamy żadnego doświadczenia. Python Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 3 z 4.

Ile czasu zajmuje lekcja „GroupBy, agregacja i tabele przestawne”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji Python Academy?

Tak. Każda lekcja Python Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

  1. Podstawy Series i DataFrame
  2. Indeksowanie, filtrowanie i maski logiczne
  3. GroupBy, agregacja i tabele przestawne
  4. Scalanie, łączenie i czyszczenie danych
← Powrót do Python Academy