正文
今天本人在赶学校课程作业的时候突然发现groupby这个分组函数还是蛮有用的，有了这个分组之后你可以实现很多统计目标。
当然，最主要的是，他的使用非常简单
本期我们以上期作业为例，单走一篇文章来看看这个函数可以实现哪些功能：
（本期需要准备的行囊）：
- jupyter notebook环境（anaconda自带）
- pandas第三方库
- numpy第三方库（也许会用吧）
- 能运行以上依赖的电脑和舒服的外设
- 一定的python基础
- 需要是吃饱喝足的你，带上能运作的小脑瓜来继续
一、了解groupby
这是一个函数，一般作用于dataframe上，有返回值，不改变原变量。输出的是原dataframe按照传入参数分组后的结果。
我们一通引入获得了一个dataframe，按照“user”进行了分组，发现得到的是一个dataframegroupby对象。这个对象内部是什么呢？我们用遍历循环来看看：
for i in f.groupby("user"):
print(i)
发现这个对象内部是一个个元组，每个元组的第一个元素是我们设定的分组依据的值
（例如这里我们设定的分组依据是user，这里第一个元组包含的是user为19500时的所有记录，元组第一个元素就是19500）
而当我们输出元组里的第二个元素的时候，发现得到的是类似dataframe的结果
看前面user下面的数据,整齐划一,是不是？o(〃＾▽＾〃)o
二、数据文件简介
文章中所用数据为某时段内消费者的行为数据。user为消费者编号，brand为品牌编号，behavr为消费者行为（0代表浏览，1代表购买，2代表收藏，3代表加入购物车。且允许存在不浏览直接购买的行为）
接下来我们要针对这些数据进行处理，输出一些有用的结果
三、求各个商品购买量
因为要求统计的“购买”行为属于behavr列中的某特殊值。很容易想到先用条件筛选选出所有购买的记录，再用groupby按各个商品分类，再用size（）方法统计分组后每组的数量，以此输出各个商品的购买量。
那么会了这个之后来举一反三一下：求各个商品浏览量
自行思考一下再往下翻哦
没错，就是改一下一开始条件过滤的数值即可。把购买（1）改成浏览（0）
四、求各个商品转化率
商业数据分析经常会遇到一个数据量——转化率，其实就是购买的数量比上浏览的数量。以此来看这个商品是否足够吸引人。
我们这里在上面已经计算出了各个商品的浏览量和购买量，事实上只需要比一比就可以了。
正好，pandas的series计算是我们想要的，他会根据键值对去分别计算
这个series里user名字是键，数量是值，非常完美符合series计算设定，我们直接除一下就行。
pandas用.div()来实现比值功能（前面的比后面的）。
要注意的是，series计算可能会带来缺失值，因为两个series计算的时候并不能保证两个series的键完全一样
即有可能出现前一个series有的键而后一个没有。比如这里可以看出brand 11就只有浏览没有购买，因此统计购买量的时候没有11这个键，但是浏览量中有11这个键。
在计算的时候不共有的键会以缺失值的形式出现，即NaN：
如果我们不想看到这个缺失值NaN，在div内添加fill_value参数可以把缺失值补充上
五、转化率最高的30个商品及其转化率
这就需要用到排序了。其实也很简单。我们把前面计算好的转化率用sort_values()函数排序之后输出前30个即可：
- sort_value()函数中设置ascending参数为False即为降序，默认为True升序
- head(n)用来输出前n个，同理tail(n)用来输出最后n个
小小の总结
其实我们不难发现，python语言其实本身过于“高级”。他不需要你思考用什么算法来完成这些操作（特别是你本身还在用第三方库的时候）。
她总有相关的函数或者方法可以替你完成。并且这个函数内部可能是C语言等基础语言实现的，代码效率会比你自己在python上手码要快很多
作为使用者，想要快速入门的话，你所需要的——
只是把这些都记住就行了
大概这就是一个像文科一样的编程语言吧……
以上就是Pandas数据分析之groupby函数用法实例详解的详细内容，更多关于Pandas数据分析groupby函数的资料请关注Devmax其它相关文章！