Pandas GroupBy 深度总结

今天，我们将探讨如何在 Python 的 Pandas 库中创建 GroupBy 对象以及该对象的工作原理。我们将详细了解分组过程的每个步骤，可以将哪些方法应用于 GroupBy 对象上，以及我们可以从中提取哪些有用信息

不要再观望了，一起学起来吧

使用 Groupby 三个步骤

首先文末要知道，任何 groupby 过程都涉及以下 3 个步骤的某种组合：

根据定义的标准将原始对象分成组
对每个组应用某些函数
整合结果

让我先来大致浏览下今天用到的测试数据集

import pandas as pdimport numpy as np

pd.set_option('max_columns', None)

df = pd.read_csv('complete.csv')df = df[['awardYear', 'category', 'prizeAmount', 'prizeAmountAdjusted', 'name', 'gender', 'birth_continent']]df.head()

Output:

 awardYear   category    prizeAmount prizeAmountAdjusted name    gender  birth_continent
0   2001    Economic Sciences   10000000    12295082    A. Michael Spence   male    North America
1   1975    Physics 630000  3404179 Aage N. Bohr    male    Europe
2   2004    Chemistry   10000000    11762861    Aaron Ciechanover   male    Asia
3   1982    Chemistry   1150000 3102518 Aaron Klug  male    Europe
4   1979    Physics 800000  2988048 Abdus Salam male    Asia

将原始对象拆分为组

在这个阶段，我们调用 pandas DataFrame.groupby() 函数。我们使用它根据预定义的标准将数据分组，沿行（默认情况下，axis=0）或列（axis=1）。换句话说，此函数将标签映射到组的名称。

例如，在我们的案例中，我们可以按奖项类别对诺贝尔奖的数据进行分组：

grouped = df.groupby('category')

也可以使用多个列来执行数据分组，传递一个列列表即可。让我们首先按奖项类别对我们的数据进行分组，然后在每个创建的组中，我们将根据获奖年份应用额外的分组：

grouped_category_year = df.groupby(['category', 'awardYear'])

现在，如果我们尝试打印刚刚创建的两个 GroupBy 对象之一，我们实际上将看不到任何组：

print(grouped)

Output:

<pandas.core.groupby.generic.DataFrameGroupBy object at 0x0000026083789DF0>

我们要注意的是，创建 GroupBy 对象成功与否，只检查我们是否通过了正确的映射；在我们显式地对该对象使用某些方法或提取其某些属性之前，都不会真正执行拆分-应用-组合链的任何操作

为了简要检查生成的 GroupBy 对象并检查组的拆分方式，我们可以从中提取组或索引属性。它们都返回一个字典，其中键是创建的组，值是原始 DataFrame 中每个组的实例的轴标签列表（对于组属性）或索引（对于索引属性）：

grouped.indices

Output:

{'Chemistry': array([  2,   3,   7,   9,  10,  11,  13,  14,  15,  17,  19,  39,  62,64,  66,  71,  75,  80,  81,  86,  92, 104, 107, 112, 129, 135,153, 169, 175, 178, 181, 188, 197, 199, 203, 210, 215, 223, 227,239, 247, 249, 258, 264, 265, 268, 272, 274, 280, 282, 284, 289,296, 298, 310, 311, 317, 318, 337, 341, 343, 348, 352, 357, 362,365, 366, 372, 374, 384, 394, 395, 396, 415, 416, 419, 434, 440,442, 444, 446, 448, 450, 455, 456, 459, 461, 463, 465, 469, 475,504, 505, 508, 518, 522, 523, 524, 539, 549, 558, 559, 563, 567,571, 572, 585, 591, 596, 599, 627, 630, 632, 641, 643, 644, 648,659, 661, 666, 667, 668, 671, 673, 679, 681, 686, 713, 715, 717,719, 720, 722, 723, 725, 726, 729, 732, 738, 742, 744, 746, 751,756, 759, 763, 766, 773, 776, 798, 810, 813, 814, 817, 827, 828,829, 832, 839, 848, 853, 855, 862, 866, 880, 885, 886, 888, 889,892, 894, 897, 902, 904, 914, 915, 920, 921, 922, 940, 941, 943,946, 947], dtype=int64),'Economic Sciences': array([  0,   5,  45,  46,  58,  90,  96, 139, 140, 145, 152, 156, 157,180, 187, 193, 207, 219, 231, 232, 246, 250, 269, 279, 283, 295,305, 324, 346, 369, 418, 422, 425, 426, 430, 432, 438, 458, 467,476, 485, 510, 525, 527, 537, 538, 546, 580, 594, 595, 605, 611,636, 637, 657, 669, 670, 678, 700, 708, 716, 724, 734, 737, 739,745, 747, 749, 750, 753, 758, 767, 800, 805, 854, 856, 860, 864,871, 882, 896, 912, 916, 924], dtype=int64),'Literature': array([ 21,  31,  40,  49,  52,  98, 100, 101, 102, 111, 115, 142, 149,159, 170, 177, 201, 202, 220, 221, 233, 235, 237, 253, 257, 259,275, 277, 278, 286, 312, 315, 316, 321, 326, 333, 345, 347, 350,355, 359, 364, 370, 373, 385, 397, 400, 403, 406, 411, 435, 439,441, 454, 468, 479, 480, 482, 483, 492, 501, 506, 511, 516, 556,569, 581, 602, 604, 606, 613, 614, 618, 631, 633, 635, 640, 652,653, 655, 656, 665, 675, 683, 699, 761, 765, 771, 774, 777, 779,780, 784, 786, 788, 796, 799, 803, 836, 840, 842, 850, 861, 867,868, 878, 881, 883, 910, 917, 919, 927, 928, 929, 930, 936],dtype=int64),'Peace': array([  6,  12,  16,  25,  26,  27,  34,  36,  44,  47,  48,  54,  61,65,  72,  78,  79,  82,  95,  99, 116, 119, 120, 126, 137, 146,151, 166, 167, 171, 200, 204, 205, 206, 209, 213, 225, 236, 240,244, 255, 260, 266, 267, 270, 287, 303, 320, 329, 356, 360, 361,377, 386, 387, 388, 389, 390, 391, 392, 393, 433, 447, 449, 471,477, 481, 489, 491, 500, 512, 514, 517, 528, 529, 530, 533, 534,540, 542, 544, 545, 547, 553, 555, 560, 562, 574, 578, 590, 593,603, 607, 608, 609, 612, 615, 616, 617, 619, 620, 628, 634, 639,642, 664, 677, 688, 697, 703, 705, 710, 727, 736, 787, 793, 795,806, 823, 846, 847, 852, 865, 875, 876, 877, 895, 926, 934, 935,937, 944, 948, 949], dtype=int64),'Physics': array([  1,   4,   8,  20,  23,  24,  30,  32,  38,  51,  59,  60,  67,68,  69,  70,  74,  84,  89,  97, 103, 105, 108, 109, 114, 117,118, 122, 125, 127, 128, 130, 133, 141, 143, 144, 155, 162, 163,164, 165, 168, 173, 174, 176, 179, 183, 195, 212, 214, 216, 222,224, 228, 230, 234, 238, 241, 243, 251, 256, 263, 271, 276, 291,292, 297, 301, 306, 307, 308, 323, 327, 328, 330, 335, 336, 338,349, 351, 353, 354, 363, 367, 375, 376, 378, 381, 382, 398, 399,402, 404, 405, 408, 410, 412, 413, 420, 421, 424, 428, 429, 436,445, 451, 453, 457, 460, 462, 470, 472, 487, 495, 498, 499, 509,513, 515, 521, 526, 532, 535, 536, 541, 548, 550, 552, 557, 561,564, 565, 566, 573, 576, 577, 579, 583, 586, 588, 592, 601, 610,621, 622, 623, 629, 647, 650, 651, 654, 658, 674, 676, 682, 684,690, 691, 693, 694, 695, 696, 698, 702, 707, 711, 714, 721, 730,731, 735, 743, 752, 755, 770, 772, 775, 781, 785, 790, 792, 797,801, 802, 808, 822, 833, 834, 835, 844, 851, 870, 872, 879, 884,887, 890, 893, 900, 901, 903, 905, 907, 908, 909, 913, 925, 931,932, 933, 938, 942, 945], dtype=int64),'Physiology or Medicine': array([ 18,  22,  28,  29,  33,  35,  37,  41,  42,  43,  50,  53,  55,56,  57,  63,  73,  76,  77,  83,  85,  87,  88,  91,  93,  94,106, 110, 113, 121, 123, 124, 131, 132, 134, 136, 138, 147, 148,150, 154, 158, 160, 161, 172, 182, 184, 185, 186, 189, 190, 191,192, 194, 196, 198, 208, 211, 217, 218, 226, 229, 242, 245, 248,252, 254, 261, 262, 273, 281, 285, 288, 290, 293, 294, 299, 300,302, 304, 309, 313, 314, 319, 322, 325, 331, 332, 334, 339, 340,342, 344, 358, 368, 371, 379, 380, 383, 401, 407, 409, 414, 417,423, 427, 431, 437, 443, 452, 464, 466, 473, 474, 478, 484, 486,488, 490, 493, 494, 496, 497, 502, 503, 507, 519, 520, 531, 543,551, 554, 568, 570, 575, 582, 584, 587, 589, 597, 598, 600, 624,625, 626, 638, 645, 646, 649, 660, 662, 663, 672, 680, 685, 687,689, 692, 701, 704, 706, 709, 712, 718, 728, 733, 740, 741, 748,754, 757, 760, 762, 764, 768, 769, 778, 782, 783, 789, 791, 794,804, 807, 809, 811, 812, 815, 816, 818, 819, 820, 821, 824, 825,826, 830, 831, 837, 838, 841, 843, 845, 849, 857, 858, 859, 863,869, 873, 874, 891, 898, 899, 906, 911, 918, 923, 939], dtype=int64)}

要查找 GroupBy 对象中的组数，我们可以从中提取 ngroups 属性或调用 Python 标准库的 len 函数：

print(grouped.ngroups)print(len(grouped))

Output:

6
6

如果我们需要可视化每个组的所有或部分条目，那么可以遍历 GroupBy 对象：

for name, entries in grouped:    print(f'First 2 entries for the "{name}" category:')    print(30*'-')    print(entries.head(2), '\n\n')

Output:

First 2 entries for the "Chemistry" category:
------------------------------awardYear   category  prizeAmount  prizeAmountAdjusted               name  \
2       2004  Chemistry     10000000             11762861  Aaron Ciechanover
3       1982  Chemistry      1150000              3102518         Aaron Klug   gender birth_continent
2   male            Asia
3   male          Europe   First 2 entries for the "Economic Sciences" category:
------------------------------awardYear           category  prizeAmount  prizeAmountAdjusted  \
0       2001  Economic Sciences     10000000             12295082
5       2019  Economic Sciences      9000000              9000000   name gender birth_continent
0  A. Michael Spence   male   North America
5   Abhijit Banerjee   male            Asia   First 2 entries for the "Literature" category:
------------------------------awardYear    category  prizeAmount  prizeAmountAdjusted  \
21       1957  Literature       208629              2697789
31       1970  Literature       400000              3177966   name gender birth_continent
21           Albert Camus   male          Africa
31  Alexandr Solzhenitsyn   male          Europe   First 2 entries for the "Peace" category:
------------------------------awardYear category  prizeAmount  prizeAmountAdjusted  \
6        2019    Peace      9000000              9000000
12       1980    Peace       880000              2889667   name gender birth_continent
6          Abiy Ahmed Ali   male          Africa
12  Adolfo Pérez Esquivel   male   South America   First 2 entries for the "Physics" category:
------------------------------awardYear category  prizeAmount  prizeAmountAdjusted          name gender  \
1       1975  Physics       630000              3404179  Aage N. Bohr   male
4       1979  Physics       800000              2988048   Abdus Salam   male   birth_continent
1          Europe
4            Asia   First 2 entries for the "Physiology or Medicine" category:
------------------------------awardYear                category  prizeAmount  prizeAmountAdjusted  \
18       1963  Physiology or Medicine       265000              2839286
22       1974  Physiology or Medicine       550000              3263449   name gender birth_continent
18   Alan Hodgkin   male          Europe
22  Albert Claude   male          Europe

相反，如果我们想以 DataFrame 的形式选择单个组，我们应该在 GroupBy 对象上使用 get_group() 方法：

grouped.get_group('Economic Sciences')

Output:

   awardYear   category    prizeAmount prizeAmountAdjusted name    gender  birth_continent
0   2001    Economic Sciences   10000000    12295082    A. Michael Spence   male    North America
5   2019    Economic Sciences   9000000 9000000 Abhijit Banerjee    male    Asia
45  2012    Economic Sciences   8000000 8361204 Alvin E. Roth   male    North America
46  1998    Economic Sciences   7600000 9713701 Amartya Sen male    Asia
58  2015    Economic Sciences   8000000 8384572 Angus Deaton    male    Europe
…   …   …   …   …   …   …   …
882 2002    Economic Sciences   10000000    12034660    Vernon L. Smith male    North America
896 1973    Economic Sciences   510000  3331882 Wassily Leontief    male    Europe
912 2018    Economic Sciences   9000000 9000000 William D. Nordhaus male    North America
916 1990    Economic Sciences   4000000 6329114 William F. Sharpe   male    North America
924 1996    Economic Sciences   7400000 9490424 William Vickrey male    North America

按组应用函数

在拆分原始数据并检查结果组之后，我们可以对每个组执行以下操作之一或其组合：

Aggregation（聚合）：计算每个组的汇总统计量（例如，组大小、平均值、中位数或总和）并为许多数据点输出单个数字
Transformation（变换）：按组进行一些操作，例如计算每个组的z-score
Filtration（过滤）：根据预定义的条件拒绝某些组，例如组大小、平均值、中位数或总和，还可以包括从每个组中过滤掉特定的行

Aggregation

要聚合 GroupBy 对象的数据（即按组计算汇总统计量），我们可以在对象上使用 agg() 方法：

# Showing only 1 decimal for all float numberspd.options.display.float_format = '{:.1f}'.format

grouped.agg(np.mean)

Output:

  awardYear   prizeAmount prizeAmountAdjusted
category
Chemistry   1972.3  3629279.4   6257868.1
Economic Sciences   1996.1  6105845.2   7837779.2
Literature  1960.9  2493811.2   5598256.3
Peace   1964.5  3124879.2   6163906.9
Physics 1971.1  3407938.6   6086978.2
Physiology or Medicine  1970.4  3072972.9   5738300.7

上面的代码生成一个 DataFrame，其中组名作为其新索引，每个数字列的平均值作为分组

我们可以直接在 GroupBy 对象上应用其他相应的 Pandas 方法，而不仅仅是使用 agg() 方法。最常用的方法是 mean()、median()、mode()、sum()、size()、count()、min()、max()、std()、var()（计算每个的方差 group)、describe()（按组输出描述性统计信息）和 nunique()（给出每个组中唯一值的数量）

grouped.sum()

Output:

  awardYear   prizeAmount prizeAmountAdjusted
category
Chemistry   362912  667787418   1151447726
Economic Sciences   167674  512891000   658373449
Literature  227468  289282102   649397731
Peace   263248  418733807   825963521
Physics 419837  725890928   1296526352
Physiology or Medicine  431508  672981066   1256687857

通常情况下我们只对某些特定列或列的统计信息感兴趣，因此我们需要指定它们。在上面的例子中，我们绝对不想总结所有年份，相应的我们可能希望按奖品类别对奖品价值求和。为此我们可以选择 GroupBy 对象的 PrizeAmountAdjusted 列，就像我们选择 DataFrame 的列，然后对其应用 sum() 函数：

grouped['prizeAmountAdjusted'].sum()

Output:

category
Chemistry                 1151447726
Economic Sciences          658373449
Literature                 649397731
Peace                      825963521
Physics                   1296526352
Physiology or Medicine    1256687857
Name: prizeAmountAdjusted, dtype: int64

对于上面的代码片段，我们可以在选择必要的列之前使用对 GroupBy 对象应用函数的等效语法：grouped.sum()['prizeAmountAdjusted']。但是前面的语法更可取，因为它的性能更好，尤其是在大型数据集上，效果更为明显

如果我们需要聚合两列或更多列的数据，我们使用双方括号：

grouped[['prizeAmount', 'prizeAmountAdjusted']].sum()

Output:

    prizeAmount prizeAmountAdjusted
category
Chemistry   667787418   1151447726
Economic Sciences   512891000   658373449
Literature  289282102   649397731
Peace   418733807   825963521
Physics 725890928   1296526352
Physiology or Medicine  672981066   1256687857

可以一次将多个函数应用于 GroupBy 对象的一列或多列。为此我们再次需要 agg() 方法和感兴趣的函数列表：

grouped[['prizeAmount', 'prizeAmountAdjusted']].agg([np.sum, np.mean, np.std])

Output:

  prizeAmount prizeAmountAdjusted
sum mean    std sum mean    std
category
Chemistry   667787418   3629279.4   4070588.4   1151447726  6257868.1   3276027.2
Economic Sciences   512891000   6105845.2   3787630.1   658373449   7837779.2   3313153.2
Literature  289282102   2493811.2   3653734.0   649397731   5598256.3   3029512.1
Peace   418733807   3124879.2   3934390.9   825963521   6163906.9   3189886.1
Physics 725890928   3407938.6   4013073.0   1296526352  6086978.2   3294268.5
Physiology or Medicine  672981066   3072972.9   3898539.3   1256687857  5738300.7   3241781.0

此外，我们可以考虑通过传递字典将不同的聚合函数应用于 GroupBy 对象的不同列：

grouped.agg({'prizeAmount': [np.sum, np.size], 'prizeAmountAdjusted': np.mean})

Output:

  prizeAmount prizeAmountAdjusted
sum size    mean
category
Chemistry   667787418   184 6257868.1
Economic Sciences   512891000   84  7837779.2
Literature  289282102   116 5598256.3
Peace   418733807   134 6163906.9
Physics 725890928   213 6086978.2
Physiology or Medicine  672981066   219 5738300.7

Transformation

与聚合方法不同，转换方法返回一个新的 DataFrame，其形状和索引与原始 DataFrame 相同，但具有转换后的各个值。这里需要注意的是，transformation 一定不能修改原始 DataFrame 中的任何值，也就是这些操作不能原地执行

转换 GroupBy 对象数据的最常见的 Pandas 方法是 transform()。例如它可以帮助计算每个组的 z-score：

grouped[['prizeAmount', 'prizeAmountAdjusted']].transform(lambda x: (x - x.mean()) / x.std())

Output:

  prizeAmount prizeAmountAdjusted
0   1.0 1.3
1   -0.7    -0.8
2   1.6 1.7
3   -0.6    -1.0
4   -0.6    -0.9
…   …   …
945 -0.7    -0.8
946 -0.8    -1.1
947 -0.9    0.3
948 -0.5    -1.0
949 -0.7    -1.0

使用转换方法，我们还可以用组均值、中位数、众数或任何其他值替换缺失数据：

grouped['gender'].transform(lambda x: x.fillna(x.mode()[0]))

Output:

0        male
1        male
2        male
3        male
4        male...
945      male
946      male
947    female
948      male
949      male
Name: gender, Length: 950, dtype: object

我们当然还可以使用其他一些 Pandas 方法来转换 GroupBy 对象的数据：bfill()、ffill()、diff()、pct_change()、rank()、shift()、quantile()等

Filtration

过滤方法根据预定义的条件从每个组中丢弃组或特定行，并返回原始数据的子集。例如我们可能希望只保留所有组中某个列的值，其中该列的组均值大于预定义值。在我们的 DataFrame 的情况下，让我们过滤掉所有组均值小于 7,000,000 的prizeAmountAdjusted 列，并在输出中仅保留该列：

grouped['prizeAmountAdjusted'].filter(lambda x: x.mean() > 7000000)

Output:

0      12295082
5       9000000
45      8361204
46      9713701
58      8384572...
882    12034660
896     3331882
912     9000000
916     6329114
924     9490424
Name: prizeAmountAdjusted, Length: 84, dtype: int64

另一个例子是过滤掉具有超过一定数量元素的组：

grouped['prizeAmountAdjusted'].filter(lambda x: len(x) < 100)

Output:

0      12295082
5       9000000
45      8361204
46      9713701
58      8384572...
882    12034660
896     3331882
912     9000000
916     6329114
924     9490424
Name: prizeAmountAdjusted, Length: 84, dtype: int64

在上述两个操作中，我们使用了 filter() 方法，将 lambda 函数作为参数传递。这样的函数，应用于整个组，根据该组与预定义统计条件的比较结果返回 True 或 False。换句话说，filter()方法中的函数决定了哪些组保留在新的 DataFrame 中

除了过滤掉整个组之外，还可以从每个组中丢弃某些行。这里有一些有用的方法是 first()、last() 和 nth()。将其中一个应用于 GroupBy 对象会相应地返回每个组的第一个/最后一个/第 n 个条目：

grouped.last()

Output:

   awardYear   prizeAmount prizeAmountAdjusted name    gender  birth_continent
category
Chemistry   1911    140695  7327865 Marie Curie female  Europe
Economic Sciences   1996    7400000 9490424 William Vickrey male    North America
Literature  1968    350000  3052326 Yasunari Kawabata   male    Asia
Peace   1963    265000  2839286 International Committee of the Red Cross    male    Asia
Physics 1972    480000  3345725 John Bardeen    male    North America
Physiology or Medicine  2016    8000000 8301051 Yoshinori Ohsumi    male    Asia

对于 nth() 方法，我们必须传递表示要为每个组返回的条目索引的整数：

grouped.nth(1)

Output:

    awardYear   prizeAmount prizeAmountAdjusted name    gender  birth_continent
category
Chemistry   1982    1150000 3102518 Aaron Klug  male    Europe
Economic Sciences   2019    9000000 9000000 Abhijit Banerjee    male    Asia
Literature  1970    400000  3177966 Alexandr Solzhenitsyn   male    Europe
Peace   1980    880000  2889667 Adolfo Pérez Esquivel   male    South America
Physics 1979    800000  2988048 Abdus Salam male    Asia
Physiology or Medicine  1974    550000  3263449 Albert Claude   male    Europe

上面的代码收集了所有组的第二个条目

另外两个过滤每个组中的行的方法是 head() 和 tail()，分别返回每个组的第一/最后 n 行（默认为 5）：

grouped.head(3)

Output:

 awardYear   category    prizeAmount prizeAmountAdjusted name    gender  birth_continent
0   2001    Economic Sciences   10000000    12295082    A. Michael Spence   male    North America
1   1975    Physics 630000  3404179 Aage N. Bohr    male    Europe
2   2004    Chemistry   10000000    11762861    Aaron Ciechanover   male    Asia
3   1982    Chemistry   1150000 3102518 Aaron Klug  male    Europe
4   1979    Physics 800000  2988048 Abdus Salam male    Asia
5   2019    Economic Sciences   9000000 9000000 Abhijit Banerjee    male    Asia
6   2019    Peace   9000000 9000000 Abiy Ahmed Ali  male    Africa
7   2009    Chemistry   10000000    10958504    Ada E. Yonath   female  Asia
8   2011    Physics 10000000    10545557    Adam G. Riess   male    North America
12  1980    Peace   880000  2889667 Adolfo Pérez Esquivel   male    South America
16  2007    Peace   10000000    11301989    Al Gore male    North America
18  1963    Physiology or Medicine  265000  2839286 Alan Hodgkin    male    Europe
21  1957    Literature  208629  2697789 Albert Camus    male    Africa
22  1974    Physiology or Medicine  550000  3263449 Albert Claude   male    Europe
28  1937    Physiology or Medicine  158463  4716161 Albert Szent-Györgyi    male    Europe
31  1970    Literature  400000  3177966 Alexandr Solzhenitsyn   male    Europe
40  2013    Literature  8000000 8365867 Alice Munro female  North America
45  2012    Economic Sciences   8000000 8361204 Alvin E. Roth   male    North America

整合结果

split-apply-combine 链的最后一个阶段——合并结果——由Ppandas 在后台执行。它包括获取在 GroupBy 对象上执行的所有操作的输出并将它们重新组合在一起，生成新的数据结构，例如 Series 或 DataFrame。将此数据结构分配给一个变量，我们可以用它来解决其他任务

总结

今天我们介绍了使用 pandas groupby 函数和使用结果对象的许多知识

分组过程所包括的步骤
split-apply-combine 链是如何一步一步工作的
如何创建 GroupBy 对象
如何简要检查 GroupBy 对象
GroupBy 对象的属性
可应用于 GroupBy 对象的操作
如何按组计算汇总统计量以及可用于此目的的方法
如何一次将多个函数应用于 GroupBy 对象的一列或多列
如何将不同的聚合函数应用于 GroupBy 对象的不同列
如何以及为什么要转换原始 DataFrame 中的值
如何过滤 GroupBy 对象的组或每个组的特定行
Pandas 如何组合分组过程的结果
分组过程产生的数据结构

好了，这就是今天分享的全部内容，喜欢就点个赞吧~

公众号后台回复“groupby”获取今天的测试数据集

本文由 mdnice 多平台发布