# Kas ir pandas groupby() un kā to lietot

Izmantojot Python pandas `DataFrame.groupby()` funkciju, varat **grupēt datus pēc konkrētiem kritērijiem** un veikt dažādas datu apkopojumus un pārveidojumus.

## Kāda ir pandas `DataFrame.groupby()` sintakse?

Pandas `groupby()` pieņem **līdz četriem parametriem**. Pamata sintakse ir šāda:

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

### Svarīgi parametri `groupby`

<table>
  <thead>
    <tr>
      <th><strong>Parametrs</strong></th>
      <th><strong>Apraksts</strong></th>
      <th><strong>Noklusējuma vērtība</strong></th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>`by`</td>
      <td>Atslēga vai Python atslēgu saraksts, pēc kura grupēt; nedrīkst kombinēt ar `level`</td>
      <td>`None`</td>
    </tr>
    <tr>
      <td>`level`</td>
      <td>Izmanto MultiIndex, lai norādītu vienu vai vairākus grupēšanas līmeņus.</td>
      <td>`None`</td>
    </tr>
    <tr>
      <td>`as_index`</td>
      <td>Ja `True`, grupas atslēgas tiek iestatītas kā rezultātā iegūtā DataFrame indekss</td>
      <td>`True`</td>
    </tr>
    <tr>
      <td>`group_keys`</td>
      <td>Ja `True`, grupu atslēgas tiek iekļautas grupu indeksā.</td>
      <td>`True`</td>
    </tr>
    <tr>
      <td>`dropna`</td>
      <td>Norāda, vai izslēgt grupas ar NaN vērtībām</td>
      <td>`True`</td>
    </tr>
  </tbody>
</table>

## Kā lietot pandas `DataFrame.groupby()`

Funkcija pandas `groupby()` ir īpaši noderīga **lielu datu kopu analīzei un apkopošanai**, palīdzot identificēt modeļus vai anomālijas.

### Grupēšana un apkopojums

Zemāk ir piemērs pārdošanas datu kopai, kas satur informāciju par pārdošanas datumu, pārdotajiem produktiem un pārdotajiem daudzumiem:

```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)
```

Rezultātā iegūtais DataFrame izskatās šādi:

```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
```

Tālāk mēs grupēsim datu kopu pēc produkta, izmantojot pandas `groupby()`. Tad aprēķināsim katra produkta kopējo pārdotā daudzumu, izmantojot funkciju `sum()`:

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

Rezultāts parāda kopējo pārdotā skaitu katram produktam:

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

### Vairāki apkopojumi

Šajā piemērā izmantosim paplašinātu datu kopu, kas ietver arī ieņēmumus:

```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 izskatās šādi:

```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
```

Izmantojot pandas `DataFrame.groupby()`, mēs grupēsim datus pēc produkta un pēc tam izmantosim `agg()` funkciju, lai aprēķinātu kopējo daudzumu un ieņēmumus, kā arī vidējos ieņēmumus par produktu.

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

Šeit ir rezultāts:

```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/lv-lv/digitalguide/timekla-vietnes/timekla-izstrade/python-pandas-dataframe-groupby/](https://www.ionos.com/lv-lv/digitalguide/timekla-vietnes/timekla-izstrade/python-pandas-dataframe-groupby/) for AI/LLM consumption.