在风险管理中不管是做模型还是做策略，都需要进行数据分析。
而数据分析的基础是学好编程语言，本文和你一起来探索groupby函数，让你以最短的时间明白这个函数的原理。
也可以利用碎片化的时间巩固这个函数，让你在处理工作过程中更高效。
groupby函数定义
query函数实例
2.1 实例1
2.2 实例2
2.3 实列3
2.4 实列4
在pandas库中，groupby方法是一个非常强大的工具，用于将数据分割成组，并对这些组应用一些计算。 其基本调用语法如下：
groupby(by=None, axis=0, level=None, as_index: bool = True, sort: bool = True, group_keys: bool = True, squeeze: bool = <object object at 0x0000021CBA4B0C80>, observed: bool = False, dropna: bool = True)重要参数详解：
by：指定用于分组的列名或列名的列表，默认值None，表示尝试使用对象的索引进行分组。此外，它也可以是一个函数，用于根据DataFrame中的值动态确定分组键。
axis：指定分组的轴，对于DataFrame，0表示沿着行的方向分组（即按列的值分组），而1表示沿着列的方向分组（实际中较少见），默认值0。
level：如果轴是MultiIndex（多级索引），则此参数用于指定要分组的级别。默认值None，表示使用所有级别。
as_index：指定分组后的结果是否作为DataFrame的索引。布尔值，默认值True，表示分组的键将作为结果DataFrame的索引。如果为False，则结果的DataFrame将有一个额外的索引级别，其标签为分组键。
sort：指定分组结果是否按照分组列进行排序。布尔值，默认值True。在某些情况下，关闭排序可以提高性能，尤其当分组键已经排序时。
group_keys：指定分组后是否保留分组键，布尔值，默认True，表示结果DataFrame将包含用于分组的键的列。如果为False，则不会添加这些列。
squeeze：在pandas较新版本中，该参数可能已经被弃用或其行为可能有所变化。它通常用于在分组操作后尝试减少结果的维度（例如，若分组后只剩下一个元素，则尝试返回一个标量而不是Series）。然而，具体的行为可能因pandas版本而异。
二、groupby函数实例 1 实例1
首先生成一个含有Group和Value两列的数据框，具体代码如下：
import pandas as pd# 创建一个DataFramedata = {'Group': ['A', 'B', 'A', 'B', 'A', 'C'],'Value': [1, 2, 3, 4, 5, 6]}df = pd.DataFrame(data)print(df)得到结果：
接着用groupby函数分组求和，代码如下： # 分组求和grouped = df.groupby('Group')['Value'].sum()print(grouped)得到结果：
可以手动验证结果是一致的。 如果想分组求均值，代码如下： # 分组求均值print(df.groupby('Group')['Value'].mean())得到结果：
可以手动验证结果是一致的。 如果想一次使用多个聚合函数，代码如下： grouped_agg = df.groupby('Group').agg({'Value': ['sum', 'mean']})print(grouped_agg)得到结果：
2 实例2
首先生成一个含有多列的DataFrame，具体代码如下：
import numpy as npimport pandas as pddata = pd.DataFrame({'name':['Tom', 'Kaggle', 'Litter', 'Sam', 'Sam', 'Sam'],'city':['BeiJing', 'HuNan', 'ShangHai', 'BeiJing', 'HeiNan', 'HuNan'],'race':['A', 'A', 'D', 'C', 'B', 'C'],'age':[27, 25, 16, 17, 28, 24],'height':[174, 180, 172, 182, 170, 178]})display(data)得到结果：
可以发现对于name列，除了Sam出现了三次，其余名字都只出现了一次。 接着看下按race列分组后的数据，具体代码如下： list(data.groupby('race'))得到结果：
可以发现，结果按A、B、C、D分别梳理出对应数据并存成了元组。 接下来看下分组后对多列求均值，代码如下： data.groupby('race')[['age', 'height']].mean()得到结果：
可以手动验证结果是一致的。 接着看下分组后对不同组分别求聚合函数，代码如下： data.groupby('race').agg({'age':np.min, 'height':np.mean})得到结果：
按race列分组后，对age列求最小值，对height列求均值，可以手动验证结果是一致的。
接着把goupby函数和apply函数结合使用，按姓名列分组，取每组前两行，代码如下：
data.groupby('name').apply(lambda x:x.head(2))得到结果：
从结果知，由于其他名字都只有一行，取前两行时结果都保留，只有Sam有3行，取前两行则少了最后一行。
3 实例3
这一节对比as_index值为True（默认值）和False对结果的影响，首先沿用前面的数据框，来看下False的情况，代码如下：
data.groupby('race',as_index=False)['age'].mean()得到结果：
接着看下as_index值为True的情况，代码如下： data.groupby('race',as_index=True)['age'].mean()得到结果：
从结果知，as_index的作用是把分组变量是否当成索引，如果值为True则当成索引。
4 实例4
最后来对比一下sort值为True（默认值）和False的情况，如果值为False，代码如下：
data.groupby('race',sort=False)['age'].mean()得到结果：
可以发现结果没有按分组变量进行排序。 接着看下sort值为True的情况，代码如下： data.groupby('race', sort=True)['age'].mean()得到结果：
可以发现结果已按分组变量race进行分组。
至此，Python中的groupby函数已讲解完毕，如想了解更多Python中的函数，可以翻看公众号中“学习Python”模块相关文章。
【部分群限时免费进】分群讨论学习Python、玩转Python、风控建模【29.9元进】、人工智能、数据分析相关问题，还提供练习数据资料、招聘内推信息、优秀文章、学习视频、公众号文章答疑，也可交流工作中遇到的难题。如需添加微信号19967879837，加时备注想进的群，比如学习python。
【评分卡实现】应用Python中的toad.ScoreCard函数实现评分卡
【Python常用函数】一文让你彻底掌握Python中的toad.quality函数
【Python数据挖掘】应用toad包中的KS_bucket函数统计好坏样本率、KS值
限时免费进群
19967879837
添加微信号、手机号
