### Pandas 中 `groupby` 函数的作用 Pandas 的 `groupby` 函数是一种强大的工具，主要用于将数据集按照一个或多个键进行分组，并对这些分组执行各种操作。通过这种方式，可以实现诸如统计汇总、转换和其他基于分组的操作[^1]。 具体来说，`groupby` 可以帮助我们将数据划分为若干子集，在每个子集中独立地应用某种函数（如求和、平均值等），最后将结果重新组合成一个新的结构化对象[^2]。 --- ### 多列分组的语法与示例 当需要根据多列对数据进行分组时，可以通过向 `groupby()` 方法传递一个列表作为参数来完成此操作。这种多列分组的方式允许我们更加细致地分析数据中的层次关系和交互效应。 #### 示例代码 假设有一个 DataFrame 表示学生的成绩信息： | 学生姓名 | 班级 | 性别 | 成绩 | |----------|------|------|------| | Alice | A | F | 80 | | Bob | B | M | 75 | | Charlie | A | M | 90 | | Diana | B | F | 85 | 以下是具体的 Python 实现代码： ```python import pandas as pd # 创建示例数据 data = { '学生姓名': ['Alice', 'Bob', 'Charlie', 'Diana'], '班级': ['A', 'B', 'A', 'B'], '性别': ['F', 'M', 'M', 'F'], '成绩': [80, 75, 90, 85] } df = pd.DataFrame(data) # 使用多列分组并计算每组的成绩总和 result = df.groupby(['班级', '性别']).agg({'成绩': 'sum'}) print(result) ``` 运行上述代码后，会得到如下输出： ``` 成绩 班级 性别 A F 80 M 90 B F 85 M 75 ``` 在这个例子中，`groupby(['班级', '性别'])` 将数据按 “班级” 和 “性别” 进行了双重分组，而 `.agg({'成绩': 'sum'})` 则是对每一组内的成绩进行了求和运算[^4]。 --- ### 聚合函数的应用扩展 除了简单的求和之外，还可以利用 `agg()` 方法一次性调用多种聚合函数，从而进一步增强数据分析的能力。例如，下面的例子展示了如何同时计算各组的总和、均值以及标准差： ```python import numpy as np # 应用多重聚合函数 multi_result = df.groupby(['班级', '性别']).agg( {'成绩': [np.sum, np.mean, np.std]} ) print(multi_result) ``` 这将会返回一个多层索引的结果表，其中包含了每种分组下成绩的不同统计数据[^3]。 ---