本文主要是介绍Python基础操作之模块 -- pandas之groupby函数，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
groupby函数是pandas库中一个非常强大的功能，它允许你根据一个或多个列的值对DataFrame或Series进行分组，并对每个组执行各种聚合操作。
目录
示例详解
1. 导入必要的库和创建DataFrame
2. 使用groupby函数进行分组
3. 遍历分组并查看内容
4. 对分组执行聚合操作
5. 同时对多个列进行聚合操作
总结
示例详解
1. 导入必要的库和创建DataFrame
首先，我们需要导入pandas库并创建一个示例DataFrame。
import pandas as pd # 创建一个示例DataFrame
data = { 'Name': ['Alice', 'Bob', 'Charlie', 'Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35, 25, 30, 35], 'Score': [85, 90, 75, 95, 85, 80]
}
df = pd.DataFrame(data)2. 使用groupby函数进行分组
接下来，我们使用groupby函数根据'Name'列的值对DataFrame进行分组。
grouped = df.groupby('Name')这里，grouped是一个DataFrameGroupBy对象，它包含了原始DataFrame的分组信息，但并没有实际的数据。
3. 遍历分组并查看内容
为了查看每个组的内容，我们可以使用for循环遍历grouped对象。
for name, group in grouped: print(f"Group: {name}") print(group) print()在这个循环中，name是当前组的名称（即'Name'列的一个唯一值），而group是一个包含该组所有行的DataFrame。
4. 对分组执行聚合操作
groupby的主要用途之一是对每个组执行聚合操作。pandas提供了许多内置的聚合函数，如mean(), sum(), count(), min(), max()等。
# 计算每个组的'Score'列的平均值
average_scores = grouped['Score'].mean()
print(average_scores)这里，average_scores是一个Series，其索引是唯一的组名（即不同的名字），值是对应组的'Score'列的平均值。
5. 同时对多个列进行聚合操作
如果你想要同时对多个列进行聚合操作，可以使用agg方法，并传递一个字典，其中键是列名，值是聚合函数。
# 同时计算每个组的'Age'和'Score'列的平均值
grouped_results = grouped.agg({'Age': 'mean', 'Score': 'mean'}).reset_index()
print(grouped_results)在这个例子中，agg方法接受一个字典，其中'Age'和'Score'是列名，'mean'是我们要应用的聚合函数。reset_index()方法用于将结果中的索引重置为一个普通的列，这样结果就是一个普通的DataFrame了。
总结
groupby函数是pandas中用于数据分组和聚合的强大工具。通过它，你可以根据一个或多个列的值将数据划分为不同的组，并对每个组执行各种聚合操作，从而获取有关数据的深入见解。
这篇关于Python基础操作之模块 -- pandas之groupby函数的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
