Pandas с нуля. Часть 8: группировки — groupby, agg, pivot_table

Это часть 8 из 10 курса «Pandas с нуля для аналитика».

Если ты умеешь группировать данные — ты умеешь отвечать на 80% вопросов бизнеса. «Сколько мы заработали по каждому городу?», «Кто наш топ-продавец?», «Какая доля выручки идёт из мобилки?» — всё это groupby. Это самый рабочий инструмент аналитика после фильтрации, и сегодня мы разберём его так, чтобы ты не путался между agg, transform и apply никогда.

Что разберёшь в этом уроке

• Главная идея: split — apply — combine
• agg: считаем несколько метрик за раз
• Группировка по нескольким колонкам и MultiIndex
• transform: вернуть агрегат обратно в строки
• filter: выкинуть целые группы
• apply: тяжёлая артиллерия
• pivot_table: groupby в стиле Excel
• crosstab: когда надо просто посчитать частоты
• Собираем всё вместе на «настоящих» данных
• Шпаргалка: что когда брать

Частые вопросы

Как сгруппировать данные и посчитать агрегаты в pandas?

Используйте groupby с агрегирующей функцией: df.groupby('city')['sales'].sum() или .mean(), .count(). Для нескольких метрик сразу применяют agg: df.groupby('city')['sales'].agg(['sum','mean','count']).

Чем pivot_table отличается от groupby?

groupby агрегирует в длинном формате (одна колонка с группами), а pivot_table раскладывает агрегаты в матрицу: строки по index, колонки по columns, значения по values с функцией aggfunc. pivot_table удобнее для кросс-таблиц вида город × месяц.

Как применить разные функции агрегации к разным колонкам?

Передайте в agg словарь: df.groupby('city').agg({'sales':'sum', 'orders':'count', 'price':'mean'}). Для именованных колонок используйте named aggregation: agg(total=('sales','sum'), avg=('price','mean')).