# Kas yra pandas groupby() ir kaip jį naudoti

Naudodami Python pandas `DataFrame.groupby()` funkciją, galite **sugrupuoti duomenis pagal konkrečius kriterijus** ir atlikti įvairius duomenų agregavimus ir transformavimus.

## Kokia yra pandas `DataFrame.groupby()` sintaksė?

Pandas `groupby()` priima **iki keturių parametrų**. Pagrindinė sintaksė yra tokia:

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

### Svarbūs parametrai `groupby`

<table>
  <thead>
    <tr>
      <th><strong>Parametras</strong></th>
      <th><strong>Aprašymas</strong></th>
      <th><strong>Numatytasis vertė</strong></th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>`by`</td>
      <td>Raktas arba Python raktų sąrašas, pagal kurį grupuoti; negalima derinti su `level`</td>
      <td>`None`</td>
    </tr>
    <tr>
      <td>`level`</td>
      <td>Naudojamas MultiIndex, norint nurodyti vieną ar daugiau grupuojamų lygių.</td>
      <td>`None`</td>
    </tr>
    <tr>
      <td>`as_index`</td>
      <td>Jei `True`, grupės raktus nustato kaip gauto DataFrame indeksą.</td>
      <td>`True`</td>
    </tr>
    <tr>
      <td>`group_keys`</td>
      <td>Jei `True`, grupės raktus įtraukiama į grupių indeksą.</td>
      <td>`True`</td>
    </tr>
    <tr>
      <td>`dropna`</td>
      <td>Nurodo, ar reikia pašalinti grupes su NaN reikšmėmis.</td>
      <td>`True`</td>
    </tr>
  </tbody>
</table>

## Kaip naudoti pandas `DataFrame.groupby()`

Funkcija „pandas `groupby()` yra ypač naudinga **analizuojant ir apibendrinant didelius duomenų rinkinius**, padedant nustatyti modelius ar anomalijas.

### Grupavimas ir agregavimas

Toliau pateikiamas pardavimo duomenų rinkinio pavyzdys, kuriame yra informacija apie pardavimo datą, parduotą produktą ir parduotą kiekį:

```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)
```

Gautas duomenų rėmelis atrodo taip:

```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
```

Toliau sugrupuosime duomenų rinkinį pagal produktus naudodami pandas `groupby()`. Tada apskaičiuosime bendrą kiekvieno produkto parduotą kiekį naudodami `sum()` funkciją:

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

Rezultatas rodo bendrą kiekvieno produkto parduotų vienetų skaičių:

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

### Daugkartiniai sujungimai

Šiame pavyzdyje naudosime išplėstą duomenų rinkinį, kuris taip pat apima pajamas:

```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)
```

Duomenų rėmelis atrodo taip:

```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
```

Naudodami pandas `DataFrame.groupby()`, sugrupuosime duomenis pagal produktus, tada naudodami `agg()` funkciją apskaičiuosime bendrą kiekį ir pajamas, taip pat vidutines pajamas pagal produktą.

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

Štai rezultatas:

```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/lt-lt/digitalguide/interneto-svetaines/interneto-svetainiu-kurimas/python-pandas-dataframe-groupby/](https://www.ionos.com/lt-lt/digitalguide/interneto-svetaines/interneto-svetainiu-kurimas/python-pandas-dataframe-groupby/) for AI/LLM consumption.