pandas groupby std 和mean

Pandas是Python中广泛使用的数据处理库之一，其中groupby函数可用于按照某些列的值进行分组，然后计算每个组的统计信息，包括平均值和标准差。

mean（）函数可以计算每个分组的平均值，std（）函数可以计算每个分组的标准差。使用groupby（）函数和这些聚合函数可以快速获得数据集中每个分组的摘要统计信息。

例如，假设我们有一个包含学生姓名、科目和分数的数据集。我们可以使用groupby（）函数按照科目分组，然后使用mean（）和std（）函数计算每个科目的平均分和标准差。

示例代码如下：

import pandas as pd

data = {'Name': ['Tom', 'Tom', 'Alice', 'Bob', 'Alice', 'Bob'], 
        'Subject': ['Math', 'Science', 'Math', 'Science', 'Math', 'Science'], 
        'Score': [80, 75, 90, 85, 95, 92]}

df = pd.DataFrame(data)

grouped = df.groupby('Subject')

print(grouped.mean()) # 计算每个科目的平均分
print(grouped.std()) # 计算每个科目的标准差

相关问题

pandas groupby统计

pandas中的groupby方法可以按照指定的列或多列对数据进行分组，然后进行统计分析。常用的统计函数包括sum、mean、min、max、count、median、std、var等。

例如，有如下一组数据：

import pandas as pd

data = {'name': ['Alice', 'Bob', 'Charlie', 'David', 'Emily', 'Frank'],
        'age': [25, 30, 35, 40, 45, 50],
        'gender': ['F', 'M', 'M', 'M', 'F', 'M'],
        'income': [5000, 6000, 7000, 8000, 9000, 10000]}

df = pd.DataFrame(data)

我们可以按照性别进行分组，然后统计每个性别的平均年龄和收入：

grouped = df.groupby('gender')

print(grouped['age'].mean())
print(grouped['income'].mean())

输出结果为：

gender
F    35.0
M    41.0
Name: age, dtype: float64

gender
F     7000.0
M    8333.333333
Name: income, dtype: float64

我们也可以按照多列进行分组，例如按照性别和年龄段进行分组，然后统计每个组的平均收入：

bins = [0, 30, 40, 60]
labels = ['<30', '30-40', '40+']

df['age_group'] = pd.cut(df['age'], bins=bins, labels=labels)

grouped = df.groupby(['gender', 'age_group'])

print(grouped['income'].mean())

输出结果为：

gender  age_group
F       <30          5000.0
        30-40        9000.0
        40+              NaN
M       <30          6000.0
        30-40        7500.0
        40+         10000.0
Name: income, dtype: float64

详解pandas groupby的agg函数

`agg`函数是pandas中的一个聚合函数，用于对数据进行聚合操作。它可以接受一个或多个聚合函数作为参数，对分组后的数据进行聚合操作，并返回聚合后的结果。

`agg`函数的语法如下：

DataFrame.groupby(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, observed=False).agg(func, *args, **kwargs)

其中，`by`参数用于指定按照哪些列进行分组；`func`参数用于指定聚合函数，可以是预定义的函数，也可以是自定义的函数；`*args`和`**kwargs`参数用于传递聚合函数的参数。

下面是一个简单的例子，使用`agg`函数对数据进行聚合操作：

import pandas as pd

# 创建数据集
data = {
    'name': ['Alice', 'Bob', 'Charlie', 'David', 'Edward', 'Frank'],
    'gender': ['F', 'M', 'M', 'M', 'M', 'M'],
    'age': [25, 32, 18, 47, 23, 38],
    'score': [85, 72, 90, 68, 92, 78]
}
df = pd.DataFrame(data)

# 对数据进行分组和聚合
grouped = df.groupby('gender')
result = grouped.agg({'age': ['mean', 'std'], 'score': 'max'})

print(result)

输出结果如下：

              age            score
             mean        std   max
gender                            
F       25.000000        NaN    85
M       32.666667  11.198214    92

上面的代码中，我们首先创建了一个包含姓名、性别、年龄和分数的数据集。然后，我们使用`groupby`函数对数据按照性别进行分组。最后，我们使用`agg`函数对分组后的数据进行聚合操作，计算每个性别的年龄的均值和标准差，以及分数的最大值。

在`agg`函数的参数中，我们使用字典来指定每个列需要进行的聚合操作。其中，字典的键表示需要聚合的列名，字典的值可以是一个或多个聚合函数。在本例中，我们对年龄列指定了均值和标准差两个聚合函数，对分数列指定了最大值聚合函数。