于數(shù)據(jù)的分組和分組運(yùn)算主要是指groupby函數(shù)的應(yīng)用，具體函數(shù)的規(guī)則如下：

df[](指輸出數(shù)據(jù)的結(jié)果屬性名稱).groupby([df[屬性],df[屬性])(指分類的屬性，數(shù)據(jù)的限定定語，可以有多個).mean()(對于數(shù)據(jù)的計算方式——函數(shù)名稱)

舉例如下：

print(df["評分"].groupby([df["地區(qū)"],df["類型"]]).mean())

#上面語句的功能是輸出表格所有數(shù)據(jù)中不同地區(qū)不同類型的評分?jǐn)?shù)據(jù)平均值

二、單類分組

A.groupby("性別")

首先，我們有一個變量A，數(shù)據(jù)類型是DataFrame

想要按照【性別】進(jìn)行分組

得到的結(jié)果是一個Groupby對象，還沒有進(jìn)行任何的運(yùn)算。

describe()

描述組內(nèi)數(shù)據(jù)的基本統(tǒng)計量

A.groupby("性別").describe().unstack()

* 只有數(shù)字類型的列數(shù)據(jù)才會計算統(tǒng)計

* 示例里面數(shù)字類型的數(shù)據(jù)有兩列 【班級】和【身高】

但是，我們并不需要統(tǒng)計班級的均值等信息，只需要【身高】，所以做一下小的改動：

A.groupby("性別")["身高"].describe().unstack()

unstack()

索引重排

上面的例子里面用到了一個小的技巧，讓運(yùn)算結(jié)果更便于對比查看，感興趣的同學(xué)可以自行去除unstack，比較一下顯示的效果

三、多類分組

A.groupby( ["班級","性別"])

單獨(dú)用groupby，我們得到的還是一個 Groupby 對象。

mean()

組內(nèi)均值計算

DataFrame的很多函數(shù)可以直接運(yùn)用到Groupby對象上。

我們還可以一次運(yùn)用多個函數(shù)計算

A.groupby( ["班級","性別"]).agg([np.sum, np.mean, np.std]) # 一次計算了三個

agg()

分組多個運(yùn)算

對分組進(jìn)行過濾，保留滿足（）條件的分組

以上就是 groupby 最經(jīng)常用到的功能了。

用 first（），tail（）截取每組前后幾個數(shù)據(jù)

用 apply（）對每組進(jìn)行（自定義）函數(shù)運(yùn)算

用 filter（）選取滿足特定條件的分組