介绍pandas数据聚合和重组的相关知识，仅供参考。
目录
1GroupBy技术
1.1简介
1.2对分组进行迭代
1.3选取一个或一组列
1.4通过字典或Series进行分组
1.5利用函数进行分组
2数据聚合
2.1简介
2.1面向列的多函数应用
2.2以‘无索引’的方式返回聚合数据
1GroupBy技术
1.1简介
简介：根据一个或多个键进行分组，每一组应用函数，再进行合并
分组的键有多种形式：
- 列表或数组，长度与待分组的轴一样
- 表示DataFrame某个列名的值
- 字典或Series，给出待分组轴上的值与分组名之间的对应关系
- 函数，用于处理轴索引或索引中的各个标签
实例：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from pandas import Series,DataFrame
df =DataFrame({'key1':list('aabba'),'key2':['one','two','one','two','one'],\
'data1':np.random.randn(5),'data2':np.random.randn(5)})
#根据key1进行分组，并计算data1的均值。
#注意下面的方式，取出来进行分组，而不是在DataFrame中分组，这种方式很灵活
#可以看到这是一个GroupBy对象,具备了应用函数的基础
#这个过程是将Series进行聚合，产生了新的Series
grouped = df['data1'].groupby(df['key1'])
print(grouped,'\n')
注：
- 取出来进行分组，而不是在DataFrame中分组
- 分组键中的缺失值被排除在外
1.2对分组进行迭代
GroupBy对象支持迭代，可以产生一组二元元组（由分组名和数据块组成）
groupby默认在axis=0上进行分组，但可以设置在任何轴上分组
1.3选取一个或一组列
对于由DataFrame产生的GroupBy对象，如果用一个或一组列名进行索引，可实现选取部分列进行聚合的目的，即下面语法效果相同。
1.4通过字典或Series进行分组
假设已经知道列的分组方式，现在需要利用这个信息进行分组统计。
下面为groupby传入一个已知信息的字典：
相当于将每一个列重设名，再按新的名字进行求和。
Series也有这样的功能，被看作一个固定大小的映射，可以用Series作为分组键，pandas会自动检查对齐。
1.5利用函数进行分组
将函数、数组、字典、Series混用也ok，因为最终都会转换为数组
2数据聚合
2.1简介
简介：
- 这里的数据聚合是说任何能够从数组产生标量值的过程
- 常见的聚合运算都有就地计算数据集统计信息的优化实现。
- 当然不止这些，可以用自己定义的运算，还可以调用分组对象上已经定义好的任何方法。
例：quantile可计算Series或DataFrame列的样本分位数。
对于自己定义的聚合函数，只需将其传入aggregate或agg即可：
有些方法（describe）也可应用
自定义函数比经过优化的函数要慢得多，这是因为在构造中间分组数据块时存在非常大的开销（函数调用、数据重排等）
可使用的函数：
2.1面向列的多函数应用
有时候需要对不同的列应用不同的函数 ，或者对一列应用不同的函数
若传入一组函数或函数名，得到的DataFrame列就会以相应的函数命名
上面有个问题就是列名是自动给出的，以函数名为列名，若传入元组（name,function）组成的列表，就会自动将第一个元素作为列名
对两列都应用functions：
得到的结果的列名是层次化索引，可以直接用外层索引选取数据：
如果想对不同的列应用不同的函数，具体的办法是向agg传入一个从列映射到函数的字典：
2.2以‘无索引’的方式返回聚合数据
到目前为止，示例中的聚合数据都是由唯一的分组键组成的索引（可能还是层次化的）
由于并不是总需要如此，可以向groupby传入as_index = False禁用该功能
