本节学习groupby
引用激励数据，连接数据库jili表（代码省略）
数字简单计算
本节内容前面是运用sum/mean等函数对数字简单计算
jili.mean() #求均值
jili.mean(axis = 'columns') #求每行的均值
jili.sum() #求和groupby：切片计算
groupby的过程：
分割：把dataframe按指定的键分为若干组
应用：对每个组应用函数，通常为累计、转换或过滤
组合：将每组1的结果合并成一个输出数组。
jili.groupby('dep') #聚合后没有用函数，会返回一个dataframe
jili.groupby('dep').sum() #用函数后会显示计算结果
# 组合dep 之后，切片oldrate，查看group的和。这里是字符，所以显示了group的所有值
jili.groupby('dep')['group'].sum()
#组合dep 之后，切片oldrate，查看oldrate的和
jili.groupby('dep')['oldrate'].sum()
# 对每个可以计算的字段进行了描述性统计，中间有省略
# unstack是上一节索引中的内容，是把多重索引转换为行，具体可以看下面没有用unstack的对比。
jili.groupby('dep').describe().unstack()
#对groupby之后的结果，切片allbones字段，进行描述性统计
jili.groupby('dep')['allbones'].describe()
groupby：4 种计算方法
1、aggregate：在groupby之后聚合的值上计算
计算方法。如 sum，count，max，std
2、filter：在原来的每个值上做计算，但是在groupby之后做计算
切片 注意filter切片器中一定要有计算方法（summean之类的），否则会报错。
# aggregate可以设定计算方法
jili.groupby('dep').aggregate(['min','max'])
# filter对allbones列进行了切片，如果dep的allbones均值小于9000，则不显示.
# 二部的均值低于9000，所以结果中没有二部数据。
jili.groupby('dep').filter(lambda x:x['allbones'].mean() >9000)
3、transform：在原来的每个值上做计算，但是在groupby之后做计算
转换，把原来的值换为计算后的值
jili.groupby('dep').transform(lambda x:x -x.mean()).head(3)
# x -x.mean()是减取本列的均值
def fun(x):
x['allbones'] = x['newbones']-x['oldbones']
return x
jili.groupby('dep').apply(fun)4、apply：
把计算的结果运用到原数据（看下图）
5、高级用法
#组合为两层
jili.groupby(['dep','group']).mean()
#组合为两层后，只选allbones的值，然后再转换行列
jili.groupby(['dep','group'])['allbones'].sum().unstack()
以上就是groupby的用法，之前跟着视频学过，但看书的话更详细，下节是透视表，拜拜。
