当前位置：极客教程 > Pandas > Pandas 问答 > Pandas 如何使用group-by函数实现数据求和

Pandas 如何使用group-by函数实现数据求和

Pandas 如何使用group-by函数实现数据求和

在本文中，我们将介绍如何使用pandas的group-by函数进行数据分组求和。group-by函数可以实现对数据集按照特定的属性进行分类汇总，然后进行统计分析。实现起来十分简单。

阅读更多：Pandas 教程

Pandas group-by函数的使用

group-by函数可以对数据按照某一列或者多列进行分类，然后对其他列进行统计分析。例如，我们有一个数据集包含了学生的姓名、年龄和成绩：

学生姓名 年龄 成绩
小明 10 90
小张 11 85
小王 10 92
小李 12 88
小赵 11 91

我们可以按照年龄进行分组，然后对成绩进行求和：

import pandas as pd

df = pd.DataFrame({'姓名': ['小明', '小张', '小王', '小李', '小赵'],
                   '年龄': [10, 11, 10, 12, 11],
                   '成绩': [90, 85, 92, 88, 91]})
result = df.groupby('年龄').sum()
print(result)
Python

输出结果：

     成绩
年龄     
10  182
11  176
12   88
Python

可以看到，我们按照年龄将数据集分成了三组，然后对每组的成绩进行了求和。同样，我们还可以按照多列进行分组，例如按照年龄和性别进行分组：

result = df.groupby(['年龄', '性别']).sum()
Python

group-by常用函数

group-by函数支持很多常用的操作函数，下面我们来介绍一下其中几个常用函数。

count

count函数可以对每一组的元素数量进行统计。例如，我们有一个数据集包含了一些人的性别和出生日期：

性别 出生日期
男 2000-01-01
女 2003-02-02
男 2002-03-03
女 2004-04-04
男 2001-05-05

我们可以按照性别进行分组，然后统计每组中的元素数量：

import pandas as pd

df = pd.DataFrame({'性别': ['男', '女', '男', '女', '男'],
                   '出生日期': ['2000-01-01', '2003-02-02', '2002-03-03', '2004-04-04', '2001-05-05']})
result = df.groupby('性别').count()
print(result)
Python

输出：

    出生日期
性别       
女      2
男      3
Python

mean

mean函数可以对每一组的平均值进行统计。例如，我们有一个数据集包含了一些人的身高和体重：

身高（米） 体重（公斤）
1.80 70
1.60 50
1.75 65
1.65 55
1.70 60

我们可以按照身高进行分组，然后统计每组的体重平均值：

import pandas as pd

df = pd.DataFrame({'身高（米）': [1.80, 1.60, 1.75, 1.65, 1.70],
                   '体重（公斤）': [70, 50, 65, 55, 60]})
result = df.groupby('身高（米）').mean()
print(result)
Python

输出：

       体重（公斤）
身高（米）         
1.60         50
1.65         55
1.70         60
1.75         65
1.80         70
Python

sum

sum函数可以对每一组的元素进行求和。例如，我们有一个数据集包含了三个销售员在不同日期的销售金额：

销售员 日期 销售金额
A 2020-01-01 100
A 2020-01-02 200
B 2020-01-01 150
B 2020-01-02 250
C 2020-01-01 300

我们可以按照销售员进行分组，然后统计每个销售员的销售金额总和：

import pandas as pd

df = pd.DataFrame({'销售员': ['A', 'A', 'B', 'B', 'C'],
                   '日期': ['2020-01-01', '2020-01-02', '2020-01-01', '2020-01-02', '2020-01-01'],
                   '销售金额': [100, 200, 150, 250, 300]})
result = df.groupby('销售员')['销售金额'].sum()
print(result)
Python

输出：

销售员
A    300
B    400
C    300
Name: 销售金额, dtype: int64
Python

总结

Pandas的group-by函数可以对数据集进行分类汇总，实现各种统计操作。常用的操作函数包括count、mean、sum等。掌握pandas的group-by函数可以使得数据分析变得更加容易和高效。

Python教程

Python 教程

Python 教程
Tkinter 教程

Tkinter 教程
Pandas 教程

Pandas 教程
NumPy 教程

NumPy 教程
Flask 教程

Flask 教程
Django 教程

Django 教程
PySpark 教程

PySpark 教程
wxPython 教程

wxPython 教程
SymPy 教程

SymPy 教程
Seaborn 教程

Seaborn 教程
SciPy 教程

SciPy 教程
RxPY 教程

RxPY 教程
Pycharm 教程

Pycharm 教程
Pygame 教程

Pygame 教程
PyGTK 教程

PyGTK 教程
PyQt 教程

PyQt 教程
PyQt5 教程

PyQt5 教程
PyTorch 教程

PyTorch 教程
Matplotlib 教程

Matplotlib 教程
Web2py 教程

Web2py 教程
BeautifulSoup 教程

BeautifulSoup 教程

Java教程

Java 教程

Java 教程

Web教程

HTML 教程

HTML 教程
CSS 教程

CSS 教程
CSS3 教程

CSS3 教程
jQuery 教程

jQuery 教程
Ajax 教程

Ajax 教程
AngularJS 教程

AngularJS 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程
Laravel 教程

Laravel 教程
Next.js 教程

Next.js 教程
PhantomJS 教程

PhantomJS 教程
Three.js 教程

Three.js 教程
Underscore.JS 教程

Underscore.JS 教程
WebGL 教程

WebGL 教程
WebRTC 教程

WebRTC 教程
VueJS 教程

VueJS 教程

数据库教程

SQL 教程

SQL 教程
MySQL 教程

MySQL 教程
MongoDB 教程

MongoDB 教程
PostgreSQL 教程

PostgreSQL 教程
SQLite 教程

SQLite 教程
Redis 教程

Redis 教程
MariaDB 教程

MariaDB 教程

图形图像教程

Vulkan 教程

Vulkan 教程
OpenCV 教程

OpenCV 教程

大数据教程

R语言 教程

R语言 教程

开发工具教程

Git 教程

Git 教程
VSCode 教程

VSCode 教程
Docker 教程

Docker 教程
Gerrit 教程

Gerrit 教程
Excel 教程

Excel 教程

计算机教程

Go语言 教程

Go语言 教程
C++ 教程

C++ 教程

Pandas 精品教程

登录

找回密码？

注册