GroupBy med enstaka och flera nycklar

Det enklaste GroupBy-anropet använder en enda kolumn som grupperingsnyckel. Ni anropar df.groupby('column_name') och kedjar en aggregation. Pandas skapar en grupp för varje unikt värde i kolumnen och tillämpar aggregation på varje numerisk kolumn, eller på den valda kolumnen. Detta är den vanligaste formen av GroupBy i daglig analys.

Efter att Ni har anropat groupby() kan Ni välja en kolumn med hakparenteser för att få en SeriesGroupBy, eller välja flera kolumner med en lista för att få en DataFrameGroupBy. Om Ni helt utelämnar valet aggregerar Pandas alla numeriska kolumner. Det är praktiskt, men kan ge oväntade resultat om det finns numeriska kolumner som inte är relevanta.

Pandas stöder en komplett uppsättning inbyggda aggregationsmetoder på GroupBy-objekt: sum(), mean(), median(), min(), max(), count(), std(), var(), first() och last(). Var och en returnerar ett skalärt värde per grupp, vilket ger Er en tydlig sammanfattningstabell indexerad efter grupperingsnyckeln.

Skicka en lista med kolumnnamn till groupby() för att gruppera efter mer än en dimension samtidigt. Varje unik kombination av värden i kolumnerna blir en egen grupp. Resultatet har ett MultiIndex med en nivå per grupperingskolumn, vilket gör att Ni kan gå ner på detaljnivå i sammanfattningar över flera dimensioner i ett enda steg.

När Ni grupperar efter flera nycklar blir resultatets index ett MultiIndex. Ni kan komma åt en specifik yttre nivå med .loc['value'] och navigera bland inre nivåer med tupler. Om Ni anropar reset_index() omvandlas MultiIndex till vanliga kolumner, vilket ofta är mer praktiskt för fortsatta operationer eller export.

Som standard blir grupperingskolumnerna index i resultatet. Om Ni skickar med as_index=False behålls de i stället som vanliga kolumner, vilket ger en platt DataFrame som är enklare att skicka vidare till andra Pandas-operationer eller exportera. Detta motsvarar att anropa reset_index() på resultatet.

count() returnerar antalet icke-null-värden i varje grupp. Om Ni vill ha det totala antalet rader per grupp, oavsett null-värden, använder Ni i stället size(). Skillnaden är viktig när Era data innehåller saknade värden, eftersom count() räknar grupper med NaN-poster för lågt.

Som standard sorterar GroupBy resultatet efter gruppnyckeln. Ni kan inaktivera sorteringen med sort=False för att behålla den ursprungliga ordningen för det första förekomsten, vilket är något snabbare för stora datamängder. När resultatet är en DataFrame kan Ni sortera det vidare med sort_values() efter valfri kolumn.

GroupBy-resultat är vanliga Series- eller DataFrame-objekt, så Ni kan direkt kedja ytterligare Pandas-metoder på dem. Ett vanligt mönster är att aggregera, sedan anropa reset_index(), därefter byta namn på kolumner och slutligen anropa sort_values() – allt i en enda lättläst metodkedja utan att lagra mellanliggande variabler.

Ofta behöver Ni mer än ett statistiskt mått per grupp. Skicka en lista med funktionsnamn till .agg() för att beräkna flera mått samtidigt. Resultatet blir en DataFrame med en kolumn för varje funktion. Detta är effektivare än att anropa varje aggregation separat, eftersom Pandas bearbetar alla i en enda genomgång av data.

När en grupperingskolumn har datatypen Categorical inkluderar Pandas som standard alla kategorier i resultatet, även de som inte har några rader. Det kan vara användbart för att säkerställa att sammanfattningstabellen alltid visar alla kategorier, men det skapar rader med NaN eller 0 för tomma grupper. Ni styr detta med parametern observed (sätt den till True för att hoppa över tomma kategorier).

I den här lektionen har Ni lärt Er hur Ni grupperar efter en enda kolumn och tillämpar vanliga aggregationer, hur Ni grupperar efter flera kolumner för att skapa sammanfattningar över flera dimensioner samt skillnaden mellan count() och size() när null-värden förekommer. Härnäst utforskar vi den kraftfulla metoden agg() för att beräkna flera olika statistiska mått i ett enda anrop.