这些祝福和干货比那几块钱的红包重要的多！
点击“数据管道”关注我们
祝各位
家人身体健康。
老友都在，猪事顺利。
单身狗的祝暗恋的女神、男神每天都给你早晚安
已有狗的祝你和你的狗永远美滋滋，早生贵子！
赚钱、赚很多钱、无论是人民币还是美刀。
各种牛皮，开挂，就是走位贼6的那种。
前戏
在利用pandas做数据分析的时候，经常会利用mean，sum，median等统计量对数据做整体的初步分析，但简单的累计方法只可以对数据集有一个粗略的认识， 有时候经常还需要对某些标签或索引的局部进行累计分析， 这时就需要用到groupby 了。
Groupby
通用步骤：
分割(Splitting)，将DataFrame按照指定的键分割成若干组。
应用(Apply)，对每个组应用函数。
组合(Combining),将每一组的结果合并成一个输出数组。
说明：在许多情况下，将数据分割成多个集合，并对每个子集应用(Apply)一些功能。在apply功能中，我们可以执行以下操作:
Aggregate ，计算一些统计量。
Transform，执行一些特定于组的操作。
Filter，按一些条件过滤掉不要的数据。
Apply，在每组上应用任意方法。
图解Groupby：
注：图片来源于《Python数据科学手册》。
Python代码案例：（所有代码按顺序阅读）
1导入数据并简单查看统计量
2查看数据groupby返回的对象
爱德宝器带你划重点：
这里的返回值不是一DataFrame 对象， 而是一个 DataFrameGroupBy 对象，可以将它看成是一种特殊形式的 DataFrame， 里面隐藏着若干组数据， 但是在没有应用累计函数之前不会计算 。在大多数场景中， 你可以将它看成是 DataFrame 的集合 。
3查看分组对象，迭代分组并选择其中一组
3-1：查看分组对象
3-2：迭代分组
输出：
3-3：选择其中某一组
4对groupby之后的对象分别进行Aggregate
Transform、Filter、Apply
4-1：对分组进行aggregate
4-2：对分组进行Tranform
宝器带你画重点：aggregate操作返回的是对组内全量数据缩减过的结果， 而转换操作会返回一个新的全量数据。 数据经过转换之后， 其形状与原来的输入数据是一样的。 常见的例子就是将每一组的样本数据减去各组的均值， 实现数据标准化。
4-3：对分组进行Filter
4-4：对分组进行apply
宝器带你画重点：GroupBy 里的 apply() 方法非常灵活， 唯一需要注意的地方是它总是输入分组数据的 DataFrame， 返回 Pandas 对象或标量
说明：
GroupBy对象可以直接转换为字典和列表
分组方式有很多种，可以按行、列、数据类型、字典、自定义函数等
数据透视表
数据透视表（pivot table） 是一种类似的操作方法 ，可以用来探索数据集内部的关联性的 ，数据透视表将每一列数据作为输入， 输出将数据不断细分成多个维度累计信息的二维数据表 。相比于GroupBy 操作，数据透视表更像是一种多维的 GroupBy 累计操作 。
Example：有一份泰坦尼克号获救数据，假如你想要同时观察不同性别与船舱等级的生还情况 。
1利用groupby实现：
2利用数据透视表实现
结论：利用数据透视表很容易看出不同性别，不同船票等级的生还情况。对比于groupby用法有以下优点：
可读性越强
更容易理解
参数详解：
data：Dataframe
values：待聚合的列的名称，默认是所有的数值列
index：用于分组的列名或其他分组键，出现在结果透视表的行
columns：用于分组的列名或其他分组键，出现在结果透视表的列
aggfunc：聚合函数或函数列表，默认为‘mean’。可以使任何对groupby有效的函数
fill_value：用于替换结果表中的缺失值
dropna：boolean，默认为True。删除缺失值
margins_name：string，默认为‘ALL’，当参数margins为True时，ALL行和列的名字
说明：
可以做多级数据透视表
可以通过字典为不同的列指定不同的累计函数
其他骚操作
参考：
https://www.ttorialspoint.com/python_pandas/python_pandas_groupby.htm
《Python数据科学手册》
后记：三十晚上边看春晚，边写公号（大概吃饱了想消化一下）。愿爱德宝器今年可以写很多干货、资源（本节代码在群资料）。不行了，老头子开始在催了，不多比比。创作不易，喜欢的朋友点个好看安排一下。
长按下方二维码关注我们
不断升华自己的过程中
你我一起进步