# Hva er pandas groupby() og hvordan bruker man det?

Med Python pandas `DataFrame.groupby()` -funksjonen kan du **gruppere data basert på spesifikke kriterier** og utføre ulike aggregeringer og transformasjoner av dataene.

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

Pandas `groupby()` aksepterer **opptil fire parametere**. Den grunnleggende syntaksen er som følger:

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

### Viktige parametere for `groupby`

<table>
  <thead>
    <tr>
      <th><strong>Parameter</strong></th>
      <th><strong>Beskrivelse</strong></th>
      <th><strong>Standardverdi</strong></th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>`by`</td>
      <td>Nøkkel eller Python-liste over nøkler som skal grupperes etter; skal ikke kombineres med `level`</td>
      <td>`None`</td>
    </tr>
    <tr>
      <td>`level`</td>
      <td>Brukes for MultiIndex for å spesifisere ett eller flere nivåer for gruppering.</td>
      <td>`None`</td>
    </tr>
    <tr>
      <td>`as_index`</td>
      <td>Hvis `True`, blir gruppekodene angitt som indeksen for den resulterende DataFrame.</td>
      <td>`True`</td>
    </tr>
    <tr>
      <td>`group_keys`</td>
      <td>Hvis `True`, blir gruppekodene inkludert i indeksen for gruppene.</td>
      <td>`True`</td>
    </tr>
    <tr>
      <td>`dropna`</td>
      <td>Angir om grupper med NaN-verdier skal ekskluderes.</td>
      <td>`True`</td>
    </tr>
  </tbody>
</table>

## Hvordan bruke pandas `DataFrame.groupby()`

Funksjonen pandas `groupby()` er spesielt nyttig for **å analysere og oppsummere store datasett**, og hjelper til med å identifisere mønstre eller avvik.

### Gruppering og aggregering

Nedenfor er et eksempel på et salgsdatasett som inneholder informasjon om salgsdato, solgt produkt og solgt mengde:

```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 slik ut:

```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
```

Deretter grupperer vi datasettet etter produkt ved hjelp av pandas `groupby()`. Deretter beregner vi det totale antallet solgte enheter for hvert produkt ved hjelp av funksjonen `sum()`:

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

Resultatet viser det totale antallet solgte enheter for hvert produkt:

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

### Flere aggregeringer

I det følgende eksemplet skal vi bruke et utvidet datasett som også inkluderer inntekter:

```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 slik ut:

```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 hjelp av pandas `DataFrame.groupby()` skal vi gruppere dataene etter produkt og deretter bruke funksjonen `agg()` til å beregne total mengde og omsetning, samt gjennomsnittlig omsetning per 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/nb-no/digitalguide/nettsteder/webutvikling/python-pandas-dataframe-groupby/](https://www.ionos.com/nb-no/digitalguide/nettsteder/webutvikling/python-pandas-dataframe-groupby/) for AI/LLM consumption.