Группировка и расчет агрегированных характеристик - типичная бизнес-задача (да и не только бизнес).

В Pandas группировка делается с помощью функции groupby, которая принимает в качестве аргумента список с названиями столбцов для группировки. То есть в нашем случае это будет выглядеть так:

df.groupby(['Shop', 'Employee', 'Type'])

После группировки нам необходимо провести расчет аргрегированных характеристик: сумму, количество и среднее значение элементов в каждой группе. В Pandas это можно сделать с помощью функции agg. Эта функция обычно принимает в качестве аргумента словарь следующего вида:

agg( { 'column_name': 'function_to_apply', 'column_name': 'function_to_apply', ... } )

Если же мы хотим применить сразу несколько функций к одному столбцу, то можно написать еще проще, передав все необходимые функции списком:

agg( { 'column_name': ['function_to_apply1', 'function_to_appl2', 'function_to_apply3'], ... } )

Также можно использовать эту функцию с лямбда-функциями:

agg( { 'column_name': lambda x: max(x) - 1, ... } )

Однако, все эти варианты нам не подходят, т.к. нам нужно задавать собственные имена столбцов. Для этого, начиная с Pandas 0.25.0 существует именованная агрегация, основанная на кортежах:

agg( name = ('column_name', 'function_to_apply'), name = ('column_name', 'function_to_apply'), ... )

Вот этим вариантом мы и воспользуемся:

df = df.groupby(['Shop', 'Employee', 'Type']).agg( Amount = ('Sum', 'count'), Sum = ('Sum', sum), Avg = ('Sum', 'mean') )

Однако, остался еще один пункт задания. Если мы попробуем прогнать код df['Shop'], то мы получим ошибку KeyError: 'Shop'. Это происходит потому что после группировки столбцы датафрейма теперь называются index. Чтобы вернуться к привычным столбцам, достаточно использовать функцию reset_index().

Таким образом, итоговое решение будет выглядет так:

import pandas as pd l = [ {'Shop': "Yakimanka", 'Employee': "Anna", 'Type': 1, 'Sum': 528}, {'Shop': "Yakimanka", 'Employee': "Fedor", 'Type': 2, 'Sum': 632}, {'Shop': "Butovo", 'Employee': "Peter", 'Type': 1, 'Sum': 115}, {'Shop': "Yakimanka", 'Employee': "Anna", 'Type': 1, 'Sum': 1024}, {'Shop': "Butovo", 'Employee': "Peter", 'Type': 1, 'Sum': 1754}, {'Shop': "Butovo", 'Employee': "Peter", 'Type': 1, 'Sum': 111}, {'Shop': "Kamenka", 'Employee': "Max", 'Type': 1, 'Sum': 499}, {'Shop': "Kamenka", 'Employee': "Max", 'Type': 2, 'Sum': 23}, {'Shop': "Butovo", 'Employee': "Jugen", 'Type': 1, 'Sum': 214}, {'Shop': "Kamenka", 'Employee': "Max", 'Type': 1, 'Sum': 964}, {'Shop': "Yakimanka", 'Employee': "Fedor", 'Type': 2, 'Sum': 100}, {'Shop': "Butovo", 'Employee': "Jugen", 'Type': 1, 'Sum': 10000} ] df = pd.DataFrame(l) class Answer: def grouping(self, df): df = df.groupby(['Shop', 'Employee', 'Type']).agg( Amount = ('Sum', 'count'), Sum = ('Sum', sum), Avg = ('Sum', 'mean') ).reset_index() return df

Pandas: Агрегирование продаж и возвратов

Оформите Premium