对Series或DataFrame列的聚合运算其实就是使用aggregate(使用自定义函数)或调用诸如mean、std之类的方法。然而，你可能希望对不同的列使用不同的聚合函数，或一次应用多个函数。

首先，根据day和smoker对tips进行分组。

In [81]: grouped=tips.groupby([tips['day'],tips['smoker']])

@注意，对于表9-1中的那些描述统计，可以将函数名以字符串的形式传入：

In [82]: grouped_pct=grouped['tip_pct']

传入一个函数

In [83]: grouped_pct.agg('mean')

Out[83]:

day smoker

Fri No 0.151650

Yes 0.174783

Sat No 0.158048

Yes 0.147906

Sun No 0.160113

Yes 0.187250

Thur No 0.160298

Yes 0.163863

Name: tip_pct, dtype: float64

传入一组函数或函数名

得到的DataFrame的列就会以相应的函数命名：

In [87]: grouped_pct.agg(['mean','std',peak_to_peak])

Out[87]:

mean std peak_to_peak

day smoker

Fri No 0.151650 0.028123 0.067349

Yes 0.174783 0.051293 0.159925

Sat No 0.158048 0.039767 0.235193

Yes 0.147906 0.061375 0.290095

Sun No 0.160113 0.042347 0.193226

Yes 0.187250 0.154134 0.644685

Thur No 0.160298 0.038774 0.193350

Yes 0.163863 0.039389 0.151240

注意：自定义函数传入时不需要加引号。

命名列(name,function)

如果传入一个由(name,function)元组组成的列表，则各元组的第一个元素就会被用作DataFrame的列名(可以将这二元元组列表看做一个有序映射)。

In [88]: grouped_pct.agg([('foo','mean'),('bar',np.std)])

Out[88]:

foo bar

day smoker

Fri No 0.151650 0.028123

Yes 0.174783 0.051293

Sat No 0.158048 0.039767

Yes 0.147906 0.061375

Sun No 0.160113 0.042347

Yes 0.187250 0.154134

Thur No 0.160298 0.038774

Yes 0.163863 0.039389

DataFrame列函数应用

对于DataFrame，还可以定义一组应用于全部列的函数，或不同的列应用不同的函数。

举例：对tip_pct和total_bill列计算三个统计信息：

DataFrame拥有层次化的列

结果DataFrame拥有层次化的列，这相当于分别对各列进行聚合，然后用concat将结果组装到一起(列名用作keys参数)。

传入带有自定义名称的元组列表

对不同的列应用不同的函数

具体的办法是向agg传入一个从列名映射到函数的字典：

只有将多个函数应用到至少一列时，DataFrame才会拥有层次化的列。