groupby и split-apply-combine

~8 минут · 7 примеров · 3 вопроса

groupby — это не одна операция, а схема из трёх шагов: разбить данные на группы, применить функцию к каждой, собрать результат.

split-apply-combine — модель группировки: split делит строки на группы по ключу, apply применяет функцию к каждой группе, combine склеивает результаты в одну таблицу.

Идея split-apply-combine

Почти любой вопрос вида «посчитать что-то в разрезе чего-то» — это группировка. «Средний чек по городам», «сумма продаж по месяцам», «число заказов на клиента» — все они укладываются в три шага:

  1. Split — разбить строки на группы по значению ключа (город, месяц, клиент).
  2. Apply — внутри каждой группы посчитать агрегат (сумму, среднее, количество).
  3. Combine — собрать по одному результату на группу в итоговую таблицу, где ключ группы становится индексом.

В pandas всё это пишется в одну строку:

df.groupby("город")["чек"].mean()
#            ^split^   ^что^  ^apply^   → combine происходит автоматически

Реализуем split-apply-combine на чистом Python

Лучший способ понять groupby — собрать его руками. Это ровно то, что pandas делает внутри, только на C и для целых массивов:

orders = [
    {"город": "Москва", "чек": 1200},
    {"город": "Сочи",   "чек": 800},
    {"город": "Москва", "чек": 1800},
    {"город": "Сочи",   "чек": 1000},
    {"город": "Москва", "чек": 600},
]

# SPLIT: раскладываем строки по группам (ключ → список значений)
groups = {}
for o in orders:
    groups.setdefault(o["город"], []).append(o["чек"])

# APPLY + COMBINE: для каждой группы считаем средний чек
for city in sorted(groups):
    cheks = groups[city]
    print(city, "->", sum(cheks) / len(cheks))
Ожидаемый вывод
Москва -> 1200.0
Сочи -> 900.0

Словарь groups — это шаг split: ключ города → список чеков. Цикл с делением — apply (среднее в каждой группе). Печать по одной строке на город — combine. df.groupby("город")["чек"].mean() делает то же самое и возвращает Series, где индекс — города, а значения — средние чеки.

Ленивость: groupby ничего не считает сразу

Важная деталь: df.groupby("город") сам по себе не вычисляет ничего — он возвращает объект GroupBy, который лишь «знает», как разбить данные. Реальная работа происходит, только когда вы вызываете агрегат (.mean(), .sum(), .agg(...)). Это позволяет переиспользовать одну группировку для разных подсчётов:

g = df.groupby("город")     # ленивый объект, вычислений нет
g["чек"].mean()             # вот теперь считается среднее
g["чек"].sum()              # и здесь — сумма, по той же разбивке
g.size()                    # число строк в каждой группе

Итерация по группам

Объект GroupBy можно перебрать в цикле — он отдаёт пары «ключ группы, под-DataFrame». Это полезно для отладки или нестандартной обработки (но для агрегатов всегда предпочитайте встроенные методы — они быстрее):

for city, group_df in df.groupby("город"):
    print(city, len(group_df))   # имя группы и сколько в ней строк

Частые агрегаты и группировка по нескольким ключам

df.groupby("город")["чек"].sum()       # сумма
df.groupby("город")["чек"].count()     # число НЕпустых значений
df.groupby("город").size()             # число строк (включая пустые)
df.groupby("город")["чек"].agg(["min", "max", "mean"])  # несколько сразу
df.groupby(["город", "месяц"])["чек"].sum()  # по двум ключам → MultiIndex

Группировка по нескольким ключам даёт иерархический индекс (MultiIndex) — каждая уникальная пара (город, месяц) становится отдельной группой. Различие count() (не считает NaN) и size() (считает все строки) — частый источник расхождений в отчётах.

as_index и reset_index: ключ как индекс или столбец

По умолчанию ключ группировки уходит в индекс результата. Это удобно для дальнейшего выравнивания, но неудобно для выгрузки в файл или график, где хочется обычный столбец. Два способа вернуть его столбцом:

df.groupby("город", as_index=False)["чек"].sum()  # сразу столбцом
df.groupby("город")["чек"].sum().reset_index()    # превратить индекс в столбец после

Оба дают одинаковый плоский результат. Выбор стиля — дело вкуса, но важно осознавать, где у вас ключ: в индексе или в столбце. От этого зависит, как обращаться к результату дальше.

Прямая аналогия с SQL GROUP BY

Кто знает SQL, освоит groupby мгновенно: это тот же GROUP BY. Сравним на живой SQLite-песочнице:

CREATE TABLE orders (city TEXT, chek INTEGER);
INSERT INTO orders VALUES
  ('Москва', 1200), ('Сочи', 800), ('Москва', 1800),
  ('Сочи', 1000), ('Москва', 600);

SELECT city, AVG(chek) AS avg_chek, COUNT(*) AS n
FROM orders
GROUP BY city
ORDER BY city;

Вывод

Москва|1200.0|3
Сочи|900.0|2

Соответствие почти дословное: GROUP BY city ≈ df.groupby("город"), AVG(chek) ≈ ["чек"].mean(), COUNT(*) ≈ .size(), ORDER BY ≈ сортировка индекса. pandas даёт ровно те же средние (1200 и 900), что и наш ручной Python выше — модель split-apply-combine универсальна.

Где pandas гибче SQL? В том, что между «применить» и «собрать» вы не ограничены набором встроенных агрегатов. Можно подсунуть любую функцию, в том числе свою, вернуть несколько значений на группу, или вообще не агрегировать, а преобразовать каждую группу (об этом — следующий урок про transform). SQL для такого требует оконных функций и подзапросов, а в pandas это один вызов. Обратная сторона — pandas работает в памяти одной машины, тогда как СУБД считает группировку по терабайтам на диске. Поэтому на практике часто комбинируют: тяжёлую первичную агрегацию делают в SQL, а тонкую доводку — в pandas.

Подводные камни

  • count() против size(). count() игнорирует NaN по столбцу, size() считает все строки группы. В отчётах это разные числа.
  • Ключ группировки уходит в индекс. Результат имеет город индексом, а не столбцом; чтобы вернуть его столбцом, добавьте reset_index() или as_index=False.
  • NaN в ключе группировки. Строки с пропуском в ключе по умолчанию выпадают из группировки — это легко не заметить. Управляется параметром dropna=False.
  • Не итерируйте ради агрегатов. Цикл for ... in groupby читаем, но медленный; встроенные .sum()/.agg() на порядки быстрее.

Лучшие практики

  • Формулируйте задачу как «что считаем в разрезе чего» — и она почти всегда ложится на groupby.
  • Сохраняйте ленивый объект g = df.groupby(...), если нужно несколько разных агрегатов по той же разбивке.
  • Помните про reset_index()/as_index=False, когда ключ нужен как обычный столбец.
  • Если знаете SQL — переносите интуицию GROUP BY напрямую.

Итог

  • groupby = split (разбить) + apply (посчитать) + combine (собрать).
  • Объект GroupBy ленив: считает только при вызове агрегата.
  • Ключ группировки становится индексом результата.
  • Это прямой аналог SQL GROUP BY.

Проверь себя

Три вопроса по уроку. Ответы никуда не идут — это для тебя.

1Что произойдёт при вызове df.groupby('город') без последующего агрегата?

2Чем отличаются count() и size() для группы?

3Каким шагам split-apply-combine соответствует SQL-запрос с GROUP BY city и AVG(chek)?

Следующий урок
11 · agg, transform и apply: в чём разница Открыть урок 11
Урок 9: Строки .str и почему apply медленный