)
📂 P16 【透视大师】Pandas：分组与聚合统计 (groupby)
🎯 学习目标：
- 理解分组逻辑：掌握“拆分 (Split) - 应用 (Apply) - 合并 (Combine)”的三个步骤。
- 基础聚合：按类别计算总和（sum）、平均值（mean）、计数（count）等。
- 多重统计：学会一次性得出最大值、最小值、中位数等多个指标。
- AI 协作：利用通义灵码快速生成复杂的部门业绩汇总报告。
🌟 引导词
“在办公室里，老板很少看具体的流水账，他们想看的是：‘各部门的平均工资是多少？’、‘每个季度的销售总额是多少？’、‘哪个地区的退货率最高？’
这种把数据‘打包’并算出统计结果的操作，就是分组与聚合。
以前你可能需要在 Excel 里不停地拉透视表，或者写复杂的SUMIFS函数。在这一课，你将学会如何用一行简洁的代码，瞬间对几万行数据进行多维度‘盘点’。**
一、分组聚合的三步走：Split-Apply-Combine
Pandas 处理groupby的逻辑非常科学：
- 拆分 (Split)：根据你指定的“列”（如部门），把数据分成 A、B、C 三堆。
- 应用 (Apply)：对每一堆数据执行计算（如求和、算平均值）。
- 合并 (Combine)：把结果拼在一起，变回一张整齐的报表。
[Image illustrating the Split-Apply-Combine pattern in Pandas]
二、实战演练：一行代码出报表
假设我们有一个销售表df，包含“部门”、“员工姓名”和“销售额”。
1. 最简单的统计：按部门算总销售额
importpandasaspd# 语法：df.groupby('分组列')['计算列'].计算函数()result=df.groupby('部门')['销售额'].sum()print(result)2. 同时看多个指标：使用.agg()
如果你想同时看到平均值、最高值和人数：
# agg 是 aggregate(聚合) 的缩写report=df.groupby('部门')['销售额'].agg(['mean','max','count'])print(report)3. 多维度分组：部门内再分性别
# 传入一个列表即可实现多层级分组multi_report=df.groupby(['部门','性别'])['销售额'].mean()三、手把手 AI 实战：自动化月报生成
当你遇到复杂的统计需求（如：计算同比增长、占比）时，通义灵码能帮你写出最优雅的写法。
1. Ask 模式：生成复杂的统计脚本
- 操作：输入指令：
我有一个 df，包含 '日期', '产品类别', '利润'。请帮我写 Pandas 代码：1. 按月份和产品类别分组；2. 计算利润的总和；3. 找出每个月利润最高的产品类别。
- AI 价值：它会帮你写出
pd.Grouper处理日期分组，以及idxmax()这种高级定位函数。
2. Edit 模式：快速格式化汇总表
- 操作：选中一段
groupby的代码。 - 动作：右键 ->通义灵码->智能编辑。
- 指令：
帮我把生成的汇总结果转换为普通的 DataFrame（使用 reset_index），并重命名列名为 '总利润' 和 '平均单价'。 - 效果：让统计结果直接变回漂亮的表格格式，方便保存。
3. Agent 模式：全自动汇总并发送
- 操作：输入
/agent。 - 指令：
读取 data 文件夹下所有的 Excel，合并后按‘地区’汇总销售总额，生成一个饼图图片，最后把汇总表保存为 Excel。
🛠️ 课后练习
- 新建
P16_groupby_report.py。 - 模拟实验：
- 读取一个包含“部门”、“职位”、“工资”的表格。
- 统计每个部门的平均工资。
- 统计每个职位的人数。
- 进阶挑战：计算每个部门中最高工资和最低工资的差额（提示：可以自定义函数或使用
agg）。
总结与预告
groupby：数据处理的核心指挥官。sum/mean/count：最常用的统计武器。agg：让你的统计报表瞬间变专业。
[下一篇 (P17)，我们将进入第二部分的另一个重头戏：Pandas：数据合并与表连接 (Merge & Concat)。你将学会如何把分散在不同文件里的信息，像拼图一样完美地合并在一起（类似于 Excel 的 VLOOKUP，但更强大）！**
👉 您准备好开启“多表联动”的新技能了吗？
