本节学习groupby

引用激励数据，连接数据库jili表（代码省略）

数字简单计算本节内容前面是运用sum/mean等函数对数字简单计算

jili.mean() #求均值jili.mean(axis = 'columns') #求每行的均值jili.sum()  #求和

groupby：切片计算

groupby的过程：

分割：把dataframe按指定的键分为若干组应用：对每个组应用函数，通常为累计、转换或过滤组合：将每组1的结果合并成一个输出数组。

jili.groupby('dep')  #聚合后没有用函数，会返回一个dataframejili.groupby('dep').sum()   #用函数后会显示计算结果

# 组合dep 之后，切片oldrate，查看group的和。这里是字符，所以显示了group的所有值jili.groupby('dep')['group'].sum()#组合dep 之后，切片oldrate，查看oldrate的和jili.groupby('dep')['oldrate'].sum()

# 对每个可以计算的字段进行了描述性统计，中间有省略# unstack是上一节索引中的内容，是把多重索引转换为行，具体可以看下面没有用unstack的对比。jili.groupby('dep').describe().unstack()#对groupby之后的结果，切片allbones字段，进行描述性统计jili.groupby('dep')['allbones'].describe()

groupby：4 种计算方法

1、aggregate：在groupby之后聚合的值上计算

计算方法。如 sum，count，max，std

2、filter：在原来的每个值上做计算，但是在groupby之后做计算

切片 注意filter切片器中一定要有计算方法（summean之类的），否则会报错。

# aggregate可以设定计算方法jili.groupby('dep').aggregate(['min','max'])# filter对allbones列进行了切片，如果dep的allbones均值小于9000，则不显示. # 二部的均值低于9000，所以结果中没有二部数据。jili.groupby('dep').filter(lambda x:x['allbones'].mean() >9000)

3、transform：在原来的每个值上做计算，但是在groupby之后做计算

转换，把原来的值换为计算后的值

jili.groupby('dep').transform(lambda x:x -x.mean()).head(3)  # x -x.mean()是减取本列的均值def fun(x):    x['allbones'] = x['newbones']-x['oldbones']    return xjili.groupby('dep').apply(fun)

4、apply：

把计算的结果运用到原数据（看下图）

5、高级用法

#组合为两层jili.groupby(['dep','group']).mean()#组合为两层后，只选allbones的值，然后再转换行列jili.groupby(['dep','group'])['allbones'].sum().unstack()

以上就是groupby的用法，之前跟着视频学过，但看书的话更详细，下节是透视表，拜拜。