### 头歌 NAV 第一关 Pandas 分组聚合教程 在数据分析领域，`Pandas` 是一种强大的工具库，广泛应用于数据处理和分析。对于初学者来说，理解 `Pandas` 的分组 (`groupby`) 和聚合功能是非常重要的一步。 以下是关于 Pandas 分组聚合的基础知识点以及如何通过这些概念完成第一关的学习： #### 1. 创建分组对象 创建分组对象是分组聚合的第一步。可以通过指定列名作为分组键来划分数据集[^1]。 例如： ```python import pandas as pd data = {'Category': ['A', 'B', 'A', 'C'], 'Value': [10, 20, 30, 40]} df = pd.DataFrame(data) # 按照 Category 列进行分组 grouped = df.groupby('Category') print(grouped.groups) ``` 上述代码展示了如何基于单个列 `'Category'` 进行分组，并打印出每组对应的索引列表。 --- #### 2. 应用聚合函数 一旦完成了分组操作，就可以对各组内的数据应用聚合函数。常见的内置聚合函数包括 `sum()`、`mean()`、`count()` 等。也可以使用自定义函数满足特定需求[^3]。 示例代码如下： ```python # 对 Value 列求和 result_sum = grouped['Value'].sum() print(result_sum) # 自定义聚合函数计算最大值减去最小值 def custom_agg(x): return x.max() - x.min() custom_result = grouped['Value'].agg(custom_agg) print(custom_result) ``` 以上代码分别演示了使用内置函数 `sum()` 和自定义函数 `custom_agg` 来获取不同类型的汇总结果。 --- #### 3. 数据转换与过滤 除了简单的聚合外，还可以利用 `transform()` 方法对原始数据进行逐项变换；或者借助 `filter()` 函数筛选符合条件的子集。 实例展示： ```python # 转换：将每一组中的数值标准化 (z-score normalization) normalized_data = grouped.transform(lambda x: (x - x.mean()) / x.std()) print(normalized_data) # 过滤：仅保留那些总和大于 25 的组 filtered_data = grouped.filter(lambda x: x['Value'].sum() > 25) print(filtered_data) ``` 这里介绍了两种常见方法——标准差规范化和条件过滤的应用场景及其具体实现方式。 --- #### 总结 综上所述，在学习 Pandas 分组聚合时应重点关注以下几个方面： - 如何构建合适的分组逻辑； - 掌握多种聚合手段并灵活运用； - 学会结合实际业务背景设计相应的转换或过滤策略。 如果希望进一步深入研究此主题，则可以参考更多高级技巧文档或是参与在线实践平台上的项目练习。 ---