# Kaj je pandas groupby() in kako ga uporabljati

S funkcijo Python pandas `DataFrame.groupby()` lahko **podatke razvrstite po določenih merilih** in izvedete različne agregacije in preoblikovanja podatkov.

## Kakšna je sintaksa za pandas `DataFrame.groupby()`?

Pandas `groupby()` sprejema **do štiri parametre**. Osnovna sintaksa je naslednja:

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

### Pomembni parametri za `groupby`

<table>
  <thead>
    <tr>
      <th><strong>Parameter</strong></th>
      <th><strong>Opis</strong></th>
      <th><strong>Privzeta vrednost</strong></th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>`by`</td>
      <td>Ključ ali Pythonov seznam ključev za združevanje v skupine; ne sme se kombinirati s `level`</td>
      <td>`None`</td>
    </tr>
    <tr>
      <td>`level`</td>
      <td>Uporablja se za MultiIndex za določitev ene ali več ravni za združevanje.</td>
      <td>`None`</td>
    </tr>
    <tr>
      <td>`as_index`</td>
      <td>Če je `True`, so ključi skupine nastavljeni kot indeks končnega DataFrame-a.</td>
      <td>`True`</td>
    </tr>
    <tr>
      <td>`group_keys`</td>
      <td>Če je `True`, so ključi skupin vključeni v indeks skupin.</td>
      <td>`True`</td>
    </tr>
    <tr>
      <td>`dropna`</td>
      <td>Določa, ali naj se izključijo skupine z vrednostmi NaN.</td>
      <td>`True`</td>
    </tr>
  </tbody>
</table>

## Kako uporabljati pandas `DataFrame.groupby()`

Funkcija pandas `groupby()` je še posebej uporabna za **analizo in povzemanje velikih podatkovnih nizov**, saj pomaga pri prepoznavanju vzorcev ali anomalij.

### Razvrščanje in združevanje

Spodaj je primer podatkovnega niza o prodaji, ki vsebuje informacije o datumu prodaje, prodanem izdelku in prodani količini:

```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)
```

Rezultatni DataFrame izgleda takole:

```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
```

Nato bomo podatkovni niz razvrstili po izdelkih z uporabo pandas `groupby()`. Nato bomo izračunali skupno prodano količino za vsak izdelek z uporabo funkcije `sum()`:

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

Rezultat prikazuje skupno število prodanih enot za vsak izdelek:

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

### Večkratne agregacije

V naslednjem primeru bomo uporabili razširjen niz podatkov, ki vključuje tudi prihodke:

```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 izgleda takole:

```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
```

Z uporabo pandas `DataFrame.groupby()` bomo podatke razvrstili po izdelkih in nato s funkcijo `agg()` izračunali skupno količino in prihodek ter povprečni prihodek na izdelek.

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

Tukaj je rezultat:

```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/sl-si/digitalguide/spletne-strani/razvoj-spletnih-strani/python-pandas-dataframe-groupby/](https://www.ionos.com/sl-si/digitalguide/spletne-strani/razvoj-spletnih-strani/python-pandas-dataframe-groupby/) for AI/LLM consumption.