执行分组操作的pandas函数

在 Pandas 中有多种执行分组操作的函数，其中最常用的是 `groupby()` 函数。该函数可以根据指定的列对数据进行分组，并返回一个 `DataFrameGroupBy` 对象，可以使用该对象的聚合函数进行各种计算。

例如，假设有一个 DataFrame df，其中包含 `name` 和 `value` 两列数据，可以使用以下代码对数据按照 `name` 进行分组，并计算每个组的平均值：

grouped = df.groupby('name')
mean_values = grouped.mean()

除了 `mean()`，还有许多其他常用的聚合函数，例如 `sum()`、`max()`、`min()`、`count()` 等等。此外，还可以使用 `apply()` 方法对分组后的数据进行自定义计算。

相关问题

pandas的某列执行行函数

在Pandas库中，你可以对DataFrame的某一列应用特定的行级函数。这通常涉及到数据分组操作，比如你想计算每个行的某个值的一阶统计量（如平均、总和、最大值等），或者是基于某些条件的操作。以下是一个基本的例子：

import pandas as pd

# 假设你有一个DataFrame df，其中有一列名为'column_name'
df = pd.DataFrame({
   'A': [1, 2, 3, 4, 5],
   'B': [10, 20, 30, 40, 50],
   'C': ['foo', 'bar', 'baz', 'foo', 'bar']
})

# 要计算'column_name'列的平均值，可以这样做：
mean_value = df['column_name'].mean()
print(mean_value)

# 如果你想按'C'列分组并计算'column_name'的平均值：
grouped_mean = df.groupby('C')['column_name'].mean()
print(grouped_mean)

这里`df['column_name']`选择了列，然后`.mean()`则是对这一列应用了行级的平均函数。

pandas求和聚合函数

### 如何使用 Pandas 进行求和聚合操作

在 Pandas 中，`agg()` 方法不仅能够执行多种类型的聚合运算，还可以专门用来实现求和功能。当需要对整个 DataFrame 或特定列进行求和时，可以直接调用 `sum()` 函数；而针对 GroupBy 对象，则可以通过指定 `agg(sum)` 来完成相同的操作。

#### 使用 sum() 函数对整张表或某几列求和

对于简单的求和场景，无需先创建 GroupBy 对象，可直接作用于 DataFrame 上：

import pandas as pd

# 创建示例数据集
data = [[110, 105, 99], [105, 88, 115], [109, 120, 130]]
df = pd.DataFrame(data, columns=['A', 'B', 'C'])

# 计算所有数值列的总和
total_sum = df.sum()
print(total_sum)

# 只计算某些选定列（如 A 和 B 列）的总和
selected_columns_sum = df[['A', 'B']].sum()
print(selected_columns_sum)

#### 针对分组后的数据进行求和

为了更细致地控制哪些记录应该被一起加起来，在实际应用中经常会对数据按照某个字段进行划分后再做汇总统计。此时就需要借助 `groupby().agg()` 组合来实现了:

import pandas as pd

# 构建带有分类标签的新样本数据框
data_with_group = {
    'team': ['X', 'Y', 'X'],
    'score_A': [110, 105, 109],
    'score_B': [105, 88, 120]
}
df_groups = pd.DataFrame(data_with_group)

# 按照 team 字段分组并对 score_A 和 score_B 分别求和
grouped_sums = df_groups.groupby('team').agg({
    'score_A':'sum',
    'score_B':'sum'
})
print(grouped_sums)

上述代码展示了两种不同层次上的求和方式——全局范围内的简单相加以及基于条件筛选后的局部累加[^1]。