Python?Pandas中的分組聚合操作詳解
Pandas 是 Python 中用于數(shù)據(jù)分析的重要工具，它提供了豐富的數(shù)據(jù)操作方法。在數(shù)據(jù)分析過程中，經(jīng)常需要對數(shù)據(jù)進(jìn)行分組聚合操作。本文將介紹 Pandas 中的數(shù)據(jù)分組方法以及不同的聚合操作，并結(jié)合代碼示例進(jìn)行說明。
完整Excel數(shù)據(jù)
讀取數(shù)據(jù)并進(jìn)行簡單分組
首先，我們通過 Pandas 讀取 Excel 文件，并使用單個列進(jìn)行分組，并應(yīng)用聚合函數(shù)。示例代碼如下：
df1 = pd.read_excel('C:\\Users\\liuchunlin2\\Desktop\\數(shù)據(jù)1.xlsx')
df = df1.groupby('店鋪名稱', as_index=False).sum()
print(df)多列分組及聚合函數(shù)應(yīng)用
接著，我們演示了如何使用多個列進(jìn)行分組，并應(yīng)用聚合函數(shù)：
df2 = df1.groupby(['店鋪名稱','訂單號'], as_index=False).sum() print(df2)
自定義聚合函數(shù)的應(yīng)用
在這個示例中，我們定義了一個自定義聚合函數(shù) custom_agg，并將其應(yīng)用在分組聚合操作中：
def custom_agg(x):
return x.max() - x.min()
result = df1.groupby('店鋪名稱', as_index=False)['銷售數(shù)量'].agg(custom_agg)
print(result)同時應(yīng)用多個聚合函數(shù)
我們還可以同時應(yīng)用多個聚合函數(shù)，示例如下：
df3 = df1.groupby('店鋪名稱', as_index=False).agg({'銷售數(shù)量': 'sum', '銷售金額': 'mean'})
print(df3)迭代分組
Pandas 支持迭代分組的操作，通過以下示例可以看到迭代分組的效果：
for group, data in df1.groupby('店鋪名稱'):
print(group) # 分組的鍵值
print(data) # 所有屬于該分組的數(shù)據(jù)條件過濾
根據(jù)條件過濾分組：
df4 = df1.groupby('店鋪名稱').filter(lambda x: x['銷售金額'].sum() > 300)
print(df4)轉(zhuǎn)換分組及分組排序
最后，我們演示了分組數(shù)據(jù)的轉(zhuǎn)換以及分組排序的操作：
df1['NewColumn'] = df1.groupby('店鋪名稱')['銷售數(shù)量'].transform(lambda x:x.sum())
print(df1)
排序
df5 = df1.groupby('店鋪名稱').sum().sort_values('銷售數(shù)量', ascending=True)
print(df5)以上就是關(guān)于 Pandas 分組聚合操作的詳細(xì)介紹，通過這些示例代碼和解釋，相信讀者對 Pandas 中的分組聚合操作有了更深入的理解。
總結(jié)：在數(shù)據(jù)分析中，對數(shù)據(jù)進(jìn)行分組聚合是一項(xiàng)常見且重要的操作，Pandas 提供了豐富的功能來實(shí)現(xiàn)這一目的，包括單列分組、多列分組、自定義聚合函數(shù)、迭代分組、數(shù)據(jù)導(dǎo)出、條件過濾、分組轉(zhuǎn)換以及分組排序等操作，能夠滿足大部分?jǐn)?shù)據(jù)分析需求。
完整代碼
import pandas as pd
import numpy as np
# 讀取兩個 Excel 文件
df1 = pd.read_excel('C:\\Users\\liuchunlin2\\Desktop\\數(shù)據(jù)1.xlsx')
#使用單個列進(jìn)行分組，并應(yīng)用聚合函數(shù)
df=df1.groupby('店鋪名稱', as_index=False).sum()
#df=df1.groupby('店鋪名稱', as_index=False).aggregate({'銷售數(shù)量': 'sum'})
print(df)
#使用多個列進(jìn)行分組，并應(yīng)用聚合函數(shù)：
df2=df1.groupby(['店鋪名稱','訂單號'], as_index=False).sum()
print(df2)
# 定義自定義聚合函數(shù)
def custom_agg(x):
return x.max() - x.min()
# 使用自定義聚合函數(shù)對 'Column2' 進(jìn)行聚合
result = df1.groupby('店鋪名稱', as_index=False)['銷售數(shù)量'].agg(custom_agg)
print(result)
# 同時應(yīng)用多個聚合函數(shù)
df3=df1.groupby('店鋪名稱', as_index=False).agg({'銷售數(shù)量': 'sum', '銷售金額': 'mean'})
print(df3)
# 迭代分組
for group, data in df1.groupby('店鋪名稱'):
print(group) # 分組的鍵值
print(data) # 所有屬于該分組的數(shù)據(jù)
df3.to_excel('merged.xlsx', index=False)
print('這是一條數(shù)據(jù)分割線')
#根據(jù)條件過濾分組
df4=df1.groupby('店鋪名稱').filter(lambda x: x['銷售金額'].sum() > 300)
print(df4)
#轉(zhuǎn)換分組
df1['NewColumn'] = df1.groupby('店鋪名稱')['銷售數(shù)量'].transform(lambda x:x.sum()) # 對 'Column2' 在每個分組內(nèi)進(jìn)行轉(zhuǎn)換操作
#df=df1.groupby('店鋪名稱', as_index=False)['銷售數(shù)量'].transform('sum')
print(df1)
#分組排序
df5=df1.groupby('店鋪名稱').sum().sort_values('銷售數(shù)量', ascending=True) # ascending=True 升序 ascending=False 降序
print(df5)到此這篇關(guān)于Python Pandas中的分組聚合操作詳解的文章就介紹到這了,更多相關(guān)Pandas分組聚合內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
本文主要介紹了Pandas利用主表更新子表指定列小技巧,通過創(chuàng)建主表和子表的DataFrame對象,并使用映射字典進(jìn)行數(shù)據(jù)關(guān)聯(lián)和更新,實(shí)現(xiàn)了從主表到子表的同步操作,下面就來介紹一下,感興趣的可以了解一下2025-05-05
本文主要記錄了個人在項(xiàng)目中遇到的一些Python中對于文件、文件夾的操作需要涉及到的函數(shù)等內(nèi)容，非常的詳盡，有需要的可以參考下2014-10-10
這篇文章主要介紹了基于python操作ES實(shí)例詳解,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-11-11
python+selenium?實(shí)現(xiàn)掃碼免密登錄示例代碼
這篇文章主要介紹了python+selenium?實(shí)現(xiàn)掃碼免密登錄,首先掃碼登錄獲取cookies保存到本地未后面免密登錄做準(zhǔn)備，本文通過示例代碼給大家介紹的非常詳細(xì)，需要的朋友可以參考下2022-07-07
python用pyecharts實(shí)現(xiàn)地圖數(shù)據(jù)可視化
這篇文章主要介紹了python用pyecharts實(shí)現(xiàn)地圖數(shù)據(jù)可視化，幫助大家更好的理解和學(xué)習(xí)使用python，感興趣的朋友可以了解下2021-03-03
pytorch 更改預(yù)訓(xùn)練模型網(wǎng)絡(luò)結(jié)構(gòu)的方法
OpenCV MediaPipe實(shí)現(xiàn)顏值打分功能
為什么入門大數(shù)據(jù)選擇Python而不是Java?
Python函數(shù)返回值之None類型的實(shí)現(xiàn)