pandas之groupby方法超级详细用法，值得收藏

       在数据分析工作中，经常需要将数据根据某个（多个）字段划分为不同的群体（group）进行分析。在Pandas中，分组分析的主要运由groupby方法完成。这篇文章将详细介绍groupby用法以及对应的agg、transform、apply的用法。

        我们还是以NBA著名球星勒布朗詹姆斯2020-2021赛季的数据为例进行分析，有关的数据可在https://download.csdn.net/download/hanyunkaka/27238024?spm=1001.2014.3001.5503进行下载。

import numpy as np
import pandas as pd

df = pd.read_csv("lbj-2020-2021-regular.csv",encoding="gbk")

        1、agg用法

        agg的用法较为简单，如果要计算詹姆斯对阵每个NBA球队时的平均得分，则

score_average = df.groupby("对手").agg({"得分":'mean'})

        这段与下面的代码是等价的：

score_average = df.groupby("对手")["得分"].mean()

        2、transform用法

        transform与agg不同的地方在于，transform会对每一条数据求得相应的结果，同组内的数据结果相同，组内数据求完结果之后按照原索引的顺序返回结果。

        举个简单的例子，如果要计算詹姆斯对阵每个NBA球队时的平均得分，并且把平均得分新建一列附在原数据上，一般做法为：

score_average_dict = df.groupby("对手")["得分"].mean().to_dict()
df["score_average"] = df["对手"].map(score_average_dict)

        如果使用transform，则只需一行代码：

df["score_average"] = df.groupby("对手")["得分"].transform("mean")

        3、apply用法

        apply用法更为灵活，可以用于更为复杂的场景。如果要获得詹姆斯对阵每个NBA球队时的最高得分，则需要用到apply函数。

def highest_score(x):
    df = x.sort_values(by=["得分"],ascending=True)
    return df.iloc[-1:]
    
score_high = df.groupby("对手").apply(highest_score)