pandas agg list 详细介绍

pandas agg list 详细介绍

参考：pandas agg list

在数据分析中，pandas 是一个非常强大的 Python 数据处理库。本文将详细介绍 pandas 中的 agg 函数，这是一个用于聚合计算的函数，可以非常方便地对数据进行汇总分析。agg 函数可以接受一个函数或函数的列表，应用于 DataFrame 的一列或多列，从而实现数据的快速处理和分析。

1. agg 函数基础

agg 函数是 pandas 中用于聚合操作的核心函数之一。它允许用户对数据集进行多种统计汇总。在开始之前，我们首先需要导入 pandas 库，并创建一个简单的 DataFrame 作为示例。

示例代码 1: 创建 DataFrame

import pandas as pd

data = {
    'A': [1, 2, 3, 4],
    'B': [5, 6, 7, 8],
    'C': [9, 10, 11, 12]
}
df = pd.DataFrame(data)
print(df)

Output:

示例代码 2: 使用 agg 进行单一函数聚合

import pandas as pd

df = pd.DataFrame({
    'A': [1, 2, 3, 4],
    'B': [5, 6, 7, 8],
    'C': [9, 10, 11, 12]
})

result = df.agg('sum')
print(result)

Output:

2. 使用不同的聚合函数

agg 可以使用不同的聚合函数来处理数据，如 sum, mean, max, min 等。

示例代码 3: 使用多个聚合函数

import pandas as pd

df = pd.DataFrame({
    'A': [1, 2, 3, 4],
    'B': [5, 6, 7, 8],
    'C': [9, 10, 11, 12]
})

result = df.agg(['sum', 'mean'])
print(result)

Output:

示例代码 4: 对指定列使用聚合函数

import pandas as pd

df = pd.DataFrame({
    'A': [1, 2, 3, 4],
    'B': [5, 6, 7, 8],
    'C': [9, 10, 11, 12]
})

result = df[['A', 'B']].agg('mean')
print(result)

Output:

3. 使用自定义函数进行聚合

agg 也支持使用自定义函数进行数据聚合，这为数据分析提供了极大的灵活性。

示例代码 5: 使用自定义函数聚合

import pandas as pd

df = pd.DataFrame({
    'A': [1, 2, 3, 4],
    'B': [5, 6, 7, 8],
    'C': [9, 10, 11, 12]
})

def my_custom_function(x):
    return x.max() - x.min()

result = df.agg(my_custom_function)
print(result)

Output:

4. 在不同的轴上应用聚合

agg 函数可以在不同的轴上应用，例如，可以在行或列上进行聚合。

示例代码 6: 在不同轴上应用聚合

import pandas as pd

df = pd.DataFrame({
    'A': [1, 2, 3, 4],
    'B': [5, 6, 7, 8],
    'C': [9, 10, 11, 12]
})

result = df.agg('sum', axis=1)
print(result)

Output:

5. 使用字典进行列特定的聚合

当需要对不同的列应用不同的聚合函数时，可以使用字典来指定。

示例代码 7: 使用字典进行列特定的聚合

import pandas as pd

df = pd.DataFrame({
    'A': [1, 2, 3, 4],
    'B': [5, 6, 7, 8],
    'C': [9, 10, 11, 12]
})

result = df.agg({'A': 'sum', 'B': 'mean', 'C': 'max'})
print(result)

Output:

6. 结合 groupby 使用 agg

agg 函数常与 groupby 结合使用，以对分组后的数据进行聚合操作。

示例代码 8: 结合 groupby 使用 agg

import pandas as pd

df = pd.DataFrame({
    'Key': ['A', 'B', 'A', 'B'],
    'Data': [1, 2, 3, 4],
    'Value': [5, 6, 7, 8]
})

result = df.groupby('Key').agg('sum')
print(result)

Output:

7. 多函数多列聚合

可以对一个 DataFrame 使用多个聚合函数，并指定这些函数应用于哪些列。

示例代码 9: 多函数多列聚合

import pandas as pd

df = pd.DataFrame({
    'A': [1, 2, 3, 4],
    'B': [5, 6, 7, 8],
    'C': [9, 10, 11, 12]
})

result = df.agg({'A': ['sum', 'min'], 'B': ['mean', 'max']})
print(result)

Output:

8. 使用 agg 进行复杂的数据转换

agg 不仅限于简单的统计计算，还可以用于更复杂的数据转换。

示例代码 10: 使用 agg 进行复杂的数据转换

import pandas as pd

df = pd.DataFrame({
    'A': [1, 2, 3, 4],
    'B': [5, 6, 7, 8],
    'C': [9, 10, 11, 12]
})

def transform(x):
    return (x - x.mean()) / x.std()

result = df.agg(transform)
print(result)

Output:

总结

通过上述示例，我们可以看到 pandas 的 agg 函数是一个非常强大的工具，它可以应用于数据的各种聚合和转换任务。无论是简单的数据汇总还是复杂的自定义操作，agg 都能提供有效的解决方案。