Calcul des agrégats sur les dataframes

On peut grouper un dataframe par une ou plusieurs colonne. Si df = pandas.DataFrame({'A': ['a', 'b', 'a', 'a', 'b'], 'B': [8, 4, 5, 10, 8], 'C': ['x', 'x', 'y', 'y', 'x'], 'D': [0, 1, 2, 3, 4]}) :

df.groupby('A') : renvoie un objet de la classe pandas.core.groupby.DataFrameGroupBy.
df.groupby('A').sum() : groupe avec les valeurs de A et fait la somme, pour les colonnes pour lesquelles c'est possible :
```
    B  D
A       
a  23  5
b  12  5
    
```

on peut inclure plusieurs colonnes : df.groupby(['A', 'C']).sum() donne :

si on veut que les colonnes qui ont servi à faire le groupage se retrouvent comme colonnes normales (et non dans l'index) : df.groupby(['A', 'C']).sum().reset_index() donne :
```
   A  C   B  D
0  a  x   8  0
1  a  y  15  5
2  b  x  12  5
    
```
df.loc[:, ['A', 'B']].groupby('A').count() : compte le nombre de valeurs de B pour chaque groupe correspondant à une valeur de A. Attention, si B a des valeurs NaN, elles ne comptent pas !
on peut faire simplement df.groupby('A').size() pour avoir la taille de chaque groupe.
df.groupby('A').mean() : calcule les moyennes pour chaque valeur de A
fonctions disponibles :
- min(), max()
- mean() : moyenne.
- sum(), prod() : somme, produit
- var(), std() : variance, standard deviation.
- median() : médiane.
- quantile(q = 0.2) : quantile
- mad() : median absolute deviate.
- nunique() : nombre de valeurs uniques.
- rank() : rang dans le groupe.

Fonction agg :

on peut aussi faire l'aggrégation en donnant soit le le nom de la fonction, soit la fonction elle même :
- df.groupby('A').agg('min') ou df.groupby('A').agg(min)
- df.groupby('A').agg('mean') ou df.groupby('A').agg(numpy.mean)
- df.groupby('A').agg('mad') ou df.groupby('A').agg(pandas.DataFrame.mad)

on peut faire l'aggrégation avec plusieurs stats : df.groupby('A').agg(['mad', 'mean']) : ça donne un dataframe avec un index colonne hierarchique :


          B                   D          
        mad      mean       mad      mean
A                                        
a  1.777778  7.666667  1.111111  1.666667
b  2.000000  6.000000  1.500000  2.500000

quand on a un index colonne hierarchique (multilevel ou multiindex), on peut le mettre à plat de la façon suivante : df.columns = ['_'.join(x) for x in df.columns.values]. Cela donne alors :
```
      B_mad    B_mean     D_mad    D_mean
A                                        
a  1.777778  7.666667  1.111111  1.666667
b  2.000000  6.000000  1.500000  2.500000
    
```
pour accéder aux différents niveaux du multiindex : df.columns.get_level_values(0), df.columns.get_level_values(1), ...
si on a une colonne sur laquelle on calcule des statistiques, on peut aussi faire : df.groupby('A')['B'].agg({'MAD': 'mad', 'AVG': 'mean'}) :
```
        AVG       MAD
A                    
a  7.666667  1.777778
b  6.000000  2.000000
    
```

filter :

df.groupby('A').filter(lambda x: x['B'].sum() > 15) : groupe par valeurs de A, et sur chaque groupe, applique la fonction donnée : si celle-ci renvoie un valeur False, les valeurs correspondantes sont éliminées du dataframe. Ici, renvoie :
```
   A   B  C  D
0  a   8  x  0
2  a   5  y  2
3  a  10  y  3
    
```

apply : applique une fonction sur chaque groupe. La fonction recoit en argument un dataframe par groupe :


def f(args):
    return (args.loc[:,'B'] ** 2).sum()
df.loc[:, ['A', 'B']].groupby('A').apply(f)

: calcule les sommes des carrés de la colonne B par groupe de valeur de A.

attention, la fonction est appelée 2 fois sur le premier groupe pour des raisons techniques, donc ne pas faire d'effet de bord.

programmer en python, tutoriel python, graphes en python, Aymeric Duclert