Summarize

• Użycie funkcji agregujących pozwala na wykonanie różnych obliczeń w ramach grup
  • metoda agg() umożliwia definiowanie wielu funkcji dla wielu kolumn
  • domyślnie tworzy wielopoziomowy nagłówek (MultiIndex) dla kolumn
  • najczęściej stosowana z groupby() w celu analizy danych

df.groupby(['Region', 'Product']).agg(
    totalSales = ('Sales', 'sum'),
    avgDiscount = ('Sales', 'mean')
)

• Zastosowanie niestandardowych funkcji z lambdą rozszerza możliwości agregacji
  • pozwala na wykonanie dowolnego obliczenia na pogrupowanych danych
  • bardzo elastyczne, ale może wpływać na wydajność przy dużych zbiorach danych
  • szczególnie przydatne przy niestandardowych miarach statystycznych

df.groupby('Region').agg({
    'Discount': lambda x: np.where(x<.1, 1, 0).mean(), # procent ofert w regionie z niską zniżką 
    'Sales': lambda x: x.sum() / x.count() # Średnia
}).round(1)
 
# TBH wygląda to strasznie, ale w rzeczywistości to zwykły słownik z funkcjami lambda
# także, upraczając, tworzymy słownik eval:
eval = {
    'Discount': lambda x: np.where(x<.1, 1, 0).mean(), # procent ofert w regionie z niską zniżką 
    'Sales': lambda x: x.sum() / x.count() # Średnia
}
 
# I stosujemy go w agg() i gites
df.groupby('Region').agg(eval).round(1)