本文是《数据蛙三个月强化课》的第一篇总结教程，如果想要了解数据蛙社群，可以阅读给DataFrog社群同学的学习建议。温馨提示：如果您已经熟悉pandas,大可不必再看这篇文章，或是之挑选部分文章
数据分析的过程分组统计是一个最常见的场景了，下面我们一起来看下啊。
一：创建数据集
index = pd.Index(data=["Tom", "Bob", "Mary", "James", "Andy", "Alice"], name="name")
data = {
"age": [18, 30, 35, 18, 22, 30],
"city": ["Bei Jing ", "Shang Hai ", "Guang Zhou", "Shen Zhen", "Zhe Jiang", "Su Zhou"],
"sex": ["male", "male", "female", "male", "male", "female"],
"income": [3000, 8000, 8000, 4000, 6000, 7000]
}
user_info = pd.DataFrame(data=data, index=index)
user_info
我们来看下数据
data
其中我们把 name作为了索引
二：进行分组
我们统计之前，先进行分组，比如对性别 sex 进行分组
sex
那如果我们对性别 sex 和年龄age 一起分组呢
sex&age
注意1：我们直接分组后得到的一个对象，来一起看下
sex
注意2：我们可以通过切片来获得分组后的某一列，但是此时也是返回的是一个对象
city
等下我们来看看具体怎么使用这个切片的
三：遍历分组
下面我们一起看下遍历分组，得到每组的一个情况
如果是根据多个字段来分组的，每个组的名称是一个元组。
那如果我们只选择一个组应该怎么来做呢？
四：聚合操作
我们刚刚看完了分组了，现在来看看统计部分，如求 sum、max、avg等。这时，也需要显身手的agg 来现身了
现在是不是想到我们在第二部分中的切片操作了。
另外，那如果根据多个键进行聚合呢，默认情况下会得到一个多层索引的结构
那如果我们不想要这样的索引结构，只需这样改变就好了
五：对DataFrame 一列应用不同的聚合操作
有时候对于一列，我们可能会有多个聚合操作
六：对DataFrame不同列应用不同的聚合操作
这里我们按照sex，但是对age，salary聚合的规则应该是不同的
七：transform操作
transfrom 方法，会把函数的参数应用到所有的分组中，然后把结果放置到原数组的索引上来
八：apply 操作
apply 会将待处理的对象拆分成多个片段，然后对各片段调用传入的函数，最后尝试用 pd.concat() 把结果组合起来
我们做数据分析的同学，肯定是少不了分组聚合这个操作的，大家要多多练习啊
本站文章版权归原作者及原出处所有 。内容为作者个人观点， 并不代表本站赞同其观点和对其真实性负责。本站是一个个人学习交流的平台，并不用于任何商业目的，如果有任何问题，请及时联系我们，我们将根据著作权人的要求，立即更正或者删除有关内容。本站拥有对此声明的最终解释权。