データ分析では「部署ごとの売上合計」「年代別の平均点」のように、グループごとに集計したい場面がよくあります。pandas の groupby を使えば、このような集計が簡単にできます。
基本的な使い方
groupby でグループ化し、集計関数を呼び出します。
import pandas as pd df = pd.DataFrame({ 'department': ['Sales', 'Sales', 'Engineering', 'Engineering'], 'name': ['Alice', 'Bob', 'Charlie', 'Dave'], 'salary': [50000, 60000, 70000, 80000] }) result = df.groupby('department')['salary'].sum() print(result)
このコードでは、department ごとに salary を合計しています。結果は Series として返されます。
よく使う集計関数
groupby の後に呼び出せる集計関数はたくさんあります。
| 関数 | 説明 |
|---|---|
| sum() | 合計 |
| mean() | 平均 |
| count() | 件数 |
| min() | 最小値 |
| max() | 最大値 |
| std() | 標準偏差 |
# 部署ごとの平均給与 df.groupby('department')['salary'].mean() # 部署ごとの人数 df.groupby('department')['name'].count()
複数の集計を一度に行う
agg を使うと、複数の集計を一度に行えます。
result = df.groupby('department')['salary'].agg(['sum', 'mean', 'count'])
列ごとに異なる集計をしたい場合は、辞書で指定します。
result = df.groupby('department').agg({ 'salary': ['sum', 'mean'], 'name': 'count' })
複数の列でグループ化する
リストで複数の列を指定すると、組み合わせでグループ化できます。
df = pd.DataFrame({ 'year': [2023, 2023, 2024, 2024], 'quarter': ['Q1', 'Q2', 'Q1', 'Q2'], 'sales': [100, 200, 150, 250] }) result = df.groupby(['year', 'quarter'])['sales'].sum()
結果は MultiIndex の Series になります。
結果をデータフレームに戻す
groupby の結果はグループ化した列がインデックスになります。通常の列に戻したい場合は reset_index() を使います。
result = df.groupby('department')['salary'].sum().reset_index()
as_index=False を指定しても同じ結果になります。
result = df.groupby('department', as_index=False)['salary'].sum()
transform でグループ集計値を元データに追加する
transform を使うと、グループごとの集計値を元の行数のまま取得できます。
df['dept_mean'] = df.groupby('department')['salary'].transform('mean')
各行に「その部署の平均給与」が追加されます。全体平均との差を計算したいときなどに便利です。
filter でグループ単位で絞り込む
filter を使うと、条件を満たすグループだけを残せます。
# 人数が2人以上の部署だけを残す result = df.groupby('department').filter(lambda x: len(x) >= 2)
groupby は pandas の中でも特に強力な機能です。SQL の GROUP BY に慣れている人なら、すぐに使いこなせるでしょう。
