Formation
90 min de lecture
Manipulation de données avec Pandas
📦 Groupby et agrégation avec Pandas
Objectifs d'apprentissage
🎯 Objectifs :\n
1Utiliser groupby\n2. Appliquer des agrégations\n3. Utiliser agg()\n4. Comprendre transform()
Introduction
📖 Groupby permet d'analyser des données par catégorie.
Contenu théorique
Groupby :\n
PYTHON
\n# Groupement simple\ndf.groupby("categorie").mean()\n\n# Plusieurs colonnes\ndf.groupby(["categorie", "sous_categorie"]).agg({\n "ventes": "sum",\n "quantite": "mean"\n})\n\n# Agrégations multiples\ndf.groupby("categorie").agg(["mean", "sum", "count"])\n\n# Transform\ndf["moyenne_groupe"] = df.groupby("categorie")["valeur"].transform("mean")\nExemples pratiques
💻 Exemple : Analyse des ventes par région\n
PYTHON
\nimport pandas as pd\n\nventes = pd.DataFrame({\n "region": ["Nord", "Sud", "Nord", "Est", "Sud", "Nord"],\n "produit": ["A", "B", "C", "A", "B", "C"],\n "ventes": [100, 200, 150, 300, 250, 180],\n "quantite": [10, 20, 15, 30, 25, 18]\n})\n\n# Ventes totales par région\ntotal_par_region = ventes.groupby("region")["ventes"].sum()\nprint("Ventes totales par région :")\nprint(total_par_region)\n\n# Statistiques par produit\nstats_produit = ventes.groupby("produit").agg({\n "ventes": ["mean", "sum"],\n "quantite": ["sum", "count"]\n})\nprint("\\nStatistiques par produit :")\nprint(stats_produit)\n\n# Moyenne par région\nventes["moyenne_region"] = ventes.groupby("region")["ventes"].transform("mean")\nprint("\\nAvec moyenne par région :")\nprint(ventes)\nBonnes pratiques
1Utiliser agg() pour multiples agrégations\n✅ 2. Utiliser transform() pour ajouter des colonnes\n✅ 3. reset_index() pour retrouver un DataFrame normal\n✅ 4. Utiliser as_index=False dans groupby
Pièges à éviter
Oublier que groupby retourne un objet GroupBy\n
Appliquer une agrégation après groupby
Résumé
groupby() : regroupement\n✅ agg() : multiples agrégations\n✅ transform() : ajout de colonnes\n✅ reset_index() : DataFrame normal
Ressources supplémentaires
📚 pandas.pydata.org/docs/user_guide/groupby.html