Pandas 是 Python 中用于数据分析的重要工具，它提供了丰富的数据操作方法。在数据分析过程中，经常需要对数据进行分组聚合操作。本文将介绍 Pandas 中的数据分组方法以及不同的聚合操作，并结合代码示例进行说明。
完整Excel数据
读取数据并进行简单分组
首先，我们通过 Pandas 读取 Excel 文件，并使用单个列进行分组，并应用聚合函数。示例代码如下：
df1 = pd.read_excel('C:\\Users\\liuchunlin2\\Desktop\\数据1.xlsx') df= df1.groupby('店铺名称', as_index=False).sum()print(df)
多列分组及聚合函数应用
接着，我们演示了如何使用多个列进行分组，并应用聚合函数：
df2 = df1.groupby(['店铺名称','订单号'], as_index=False).sum()print(df2)
自定义聚合函数的应用
在这个示例中，我们定义了一个自定义聚合函数custom_agg，并将其应用在分组聚合操作中：
def custom_agg(x):return x.max() - x.min() result= df1.groupby('店铺名称', as_index=False)['销售数量'].agg(custom_agg)print(result)
同时应用多个聚合函数
我们还可以同时应用多个聚合函数，示例如下：
df3 = df1.groupby('店铺名称', as_index=False).agg({'销售数量':'sum','销售金额':'mean'})print(df3)
迭代分组
Pandas 支持迭代分组的操作，通过以下示例可以看到迭代分组的效果：
for group, datain df1.groupby('店铺名称'):print(group)# 分组的键值print(data)# 所有属于该分组的数据
条件过滤
根据条件过滤分组：
df4 = df1.groupby('店铺名称').filter(lambda x: x['销售金额'].sum() > 300)print(df4)
转换分组及分组排序
最后，我们演示了分组数据的转换以及分组排序的操作：
df1['NewColumn'] = df1.groupby('店铺名称')['销售数量'].transform(lambda x:x.sum())print(df1)
排序
df5 = df1.groupby('店铺名称').sum().sort_values('销售数量', ascending=True)print(df5)
以上就是关于 Pandas 分组聚合操作的详细介绍，通过这些示例代码和解释，相信读者对 Pandas 中的分组聚合操作有了更深入的理解。
总结：在数据分析中，对数据进行分组聚合是一项常见且重要的操作，Pandas 提供了丰富的功能来实现这一目的，包括单列分组、多列分组、自定义聚合函数、迭代分组、数据导出、条件过滤、分组转换以及分组排序等操作，能够满足大部分数据分析需求。
完整代码
import pandas as pdimport numpy as np# 读取两个 Excel 文件 df1 = pd.read_excel('C:\\Users\\liuchunlin2\\Desktop\\数据1.xlsx')#使用单个列进行分组，并应用聚合函数 df=df1.groupby('店铺名称', as_index=False).sum()#df=df1.groupby('店铺名称', as_index=False).aggregate({'销售数量': 'sum'})print(df)#使用多个列进行分组，并应用聚合函数： df2=df1.groupby(['店铺名称','订单号'], as_index=False).sum()print(df2)# 定义自定义聚合函数def custom_agg(x):return x.max() - x.min()# 使用自定义聚合函数对 'Column2' 进行聚合 result = df1.groupby('店铺名称', as_index=False)['销售数量'].agg(custom_agg)print(result)# 同时应用多个聚合函数 df3=df1.groupby('店铺名称', as_index=False).agg({'销售数量':'sum','销售金额':'mean'})print(df3)# 迭代分组for group, datain df1.groupby('店铺名称'):print(group)# 分组的键值print(data)# 所有属于该分组的数据 df3.to_excel('merged.xlsx', index=False)print('这是一条数据分割线')#根据条件过滤分组 df4=df1.groupby('店铺名称').filter(lambda x: x['销售金额'].sum() > 300)print(df4)#转换分组 df1['NewColumn'] = df1.groupby('店铺名称')['销售数量'].transform(lambda x:x.sum())# 对 'Column2' 在每个分组内进行转换操作 #df=df1.groupby('店铺名称', as_index=False)['销售数量'].transform('sum')print(df1)#分组排序 df5=df1.groupby('店铺名称').sum().sort_values('销售数量', ascending=True)# ascending=True 升序 ascending=False 降序print(df5)