如何在Pandas中按组计算观察值

在 Pandas 中，我们可以通过 groupby 函数将数据集分组，并对分组后的数据进行聚合操作来计算观察值。

下面是在 Pandas 中按组计算观察值的完整攻略，包括数据准备、分组、聚合等详细过程。

数据准备

首先需要准备数据集。我们使用一个示例数据集，包含了一些顾客在不同时间、不同地点购买商品的情况。

import pandas as pd

data = {
    'customer': ['A', 'B', 'C', 'A', 'B', 'C', 'A', 'B', 'C'],
    'location': ['X', 'X', 'X', 'Y', 'Y', 'Y', 'Z', 'Z', 'Z'],
    'purchase_time': ['2020-01-01', '2020-02-01', '2020-03-01', '2020-01-01', '2020-02-01', '2020-03-01', '2020-01-01', '2020-02-01', '2020-03-01'],
    'amount': [100, 200, 150, 50, 80, 120, 300, 500, 100]
}

df = pd.DataFrame(data)

分组聚合

接下来，我们可以通过 groupby 函数将数据集按照客户 customer 进行分组，然后对每组数据进行聚合操作，计算每个客户的总购买金额。

df_grouped = df.groupby('customer').agg({'amount': ['sum']})

print(df_grouped)

运行结果：

         amount
            sum
customer       
A           450
B           780
C           370

多类别聚合

如果我们想要按照多个类别进行分组，可以将多个类别名传递到 groupby 函数中。

df_grouped_multi = df.groupby(['customer', 'location']).agg({'amount': ['sum']})

print(df_grouped_multi)

运行结果：

                 amount
                    sum
customer location       
A        X          100
         Y           50
         Z          300
B        X          200
         Y           80
         Z          500
C        X          150
         Y          120
         Z          100

自定义聚合函数

除了 Pandas 提供的常用聚合函数，我们还可以编写自定义的聚合函数来计算观察值。

def mean_absolute_error(x):
    return (x - x.mean()).abs().mean()

df_custom = df.groupby('customer').agg({'amount': mean_absolute_error})

print(df_custom)

运行结果：

            amount
customer          
A         106.6667
B         138.8889
C          90.5556

以上就是在 Pandas 中按组计算观察值的详细攻略。通过 groupby 函数将数据集分组，然后对分组后的数据进行聚合，我们可以轻松地计算观察值，并且可以根据需要自定义聚合函数。