# Hvad er pandas groupby(), og hvordan bruges det?

Med Python pandas `DataFrame.groupby()` -funktionen kan du **gruppere data baseret på specifikke kriterier** og udføre forskellige aggregeringer og transformationer af dataene.

## Hvad er syntaksen for pandas `DataFrame.groupby()`?

Pandas `groupby()` accepterer **op til fire parametre**. Den grundlæggende syntaks er som følger:

```python
DataFrame.groupby(by=None, level=None, as_index=True, sort=True, group_keys=True, dropna=True)
```

### Vigtige parametre for `groupby`

<table>
  <thead>
    <tr>
      <th><strong>Parameter</strong></th>
      <th><strong>Beskrivelse</strong></th>
      <th><strong>Standardværdi</strong></th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>`by`</td>
      <td>Nøgle eller Python-liste over nøgler, der skal grupperes efter; må ikke kombineres med `level`</td>
      <td>`None`</td>
    </tr>
    <tr>
      <td>`level`</td>
      <td>Bruges til MultiIndex til at angive et eller flere niveauer for gruppering.</td>
      <td>`None`</td>
    </tr>
    <tr>
      <td>`as_index`</td>
      <td>Hvis `True`, indstilles gruppekoderne som indeks for den resulterende DataFrame.</td>
      <td>`True`</td>
    </tr>
    <tr>
      <td>`group_keys`</td>
      <td>Hvis `True`, inkluderes gruppekoderne i indeks for grupperne.</td>
      <td>`True`</td>
    </tr>
    <tr>
      <td>`dropna`</td>
      <td>Angiver, om grupper med NaN-værdier skal udelades.</td>
      <td>`True`</td>
    </tr>
  </tbody>
</table>

## Sådan bruges pandas `DataFrame.groupby()`

Funktionen pandas `groupby()` er særligt nyttig til **analyse og sammenfatning af store datasæt**, da den hjælper med at identificere mønstre eller afvigelser.

### Gruppering og aggregering

Nedenfor ses et eksempel på et salgsdatasæt, der indeholder oplysninger om salgsdato, solgt produkt og solgt mængde:

```python
import pandas as pd
# Sample sales dataset
data = {
    'Date': ['2021-01-01', '2021-01-01', '2021-01-02', '2021-01-02', '2021-01-03'],
    'Product': ['A', 'B', 'A', 'B', 'A'],
    'Quantity': [10, 20, 15, 25, 10]
}
df = pd.DataFrame(data)
print(df)
```

Den resulterende DataFrame ser således ud:

```none
Date Product  Quantity
0  2021-01-01       A       10
1  2021-01-01       B       20
2  2021-01-02       A       15
3  2021-01-02       B       25
4  2021-01-03       A       10
```

Dernæst grupperer vi datasættet efter produkt ved hjælp af pandas `groupby()`. Derefter beregner vi det samlede solgte antal for hvert produkt ved hjælp af funktionen `sum()`:

```none
# Group by product and calculate the sum of the quantity sold
summe = df.groupby('Product')['Quantity'].sum()
print(total)
```

Resultatet viser det samlede antal solgte enheder for hvert produkt:

```none
Product
A    35
B    45
Name: Quantity, dtype: int64
```

### Flere aggregeringer

I det følgende eksempel bruger vi et udvidet datasæt, der også indeholder indtægter:

```python
data = {
    'Date': ['2021-01-01', '2021-01-01', '2021-01-02', '2021-01-02', '2021-01-03'],
    'Product': ['A', 'B', 'A', 'B', 'A'],
    'Quantity': [10, 20, 15, 25, 10],
    'Revenue': [100, 200, 150, 250, 100]
}
df = pd.DataFrame(data)
print(df)
```

DataFrame ser således ud:

```none
Date Product  Quantity  Revenue
0  2021-01-01       A       10      100
1  2021-01-01       B       20      200
2  2021-01-02       A       15      150
3  2021-01-02       B       25      250
4  2021-01-03       A       10      100
```

Ved hjælp af pandas `DataFrame.groupby()` grupperer vi dataene efter produkt og bruger derefter funktionen `agg()` til at beregne den samlede mængde og omsætning samt den gennemsnitlige omsætning pr. produkt.

```none
# Group by product and apply multiple aggregations
groups = df.groupby('Product').agg({
    'Quantity': 'sum',
    'Revenue': ['sum', 'mean']
})
print(groups)
```

Her er resultatet:

```none
Quantity Revenue        
          sum    sum    mean
Product                  
A          35    350  116.666667
B          45    450  225.000000
```


This is a markdown version of: [https://www.ionos.com/da-dk/digitalguide/websteder/webudvikling/python-pandas-dataframe-groupby/](https://www.ionos.com/da-dk/digitalguide/websteder/webudvikling/python-pandas-dataframe-groupby/) for AI/LLM consumption.