pandas每天一题-题目9：计算平均收入的多种方式

这是一个关于 pandas 从基础到进阶的练习题系列，来源于 github 上的 guipsamora/pandas_exercises 。这个项目从基础到进阶，可以检验你有多么了解 pandas。

我会挑选一些题目，并且提供比原题库更多的解决方法以及更详尽的解析。

计划每天更新一期，希望各位小伙伴先自行思考，再查看答案。如果对你有帮助，记得转发推荐给你的好友！

上期文章：pandas每天一题-题目8：去重计数的多种实现方式

后台回复"数据"，可以下载本题数据集

如下数据：

数据描述：

• 此数据是订单明细表。一个订单会包含很多明细项，表中每个样本(每一行)表示一个明细项
• order_id 列存在重复
• quantity 是明细项数量

需求：计算订单平均收入？

说明：

假如有10笔订单，总收入(quantity * item_price)是200，那么订单平均收入 = 200/10=20

虽然需求很简单，但有些实现方式考验你的 groupby 理解程度！

下面是答案了

方式1

初学者容易给出的错误答案是：

df = pd.read_csv('chipotle.tsv',sep='\t',converters={'item_price': lambda x: float(x[1:-1])})
df.eval('quantity * item_price').mean()

• 这个结果实际是"订单明细平均收入"

问题在于数据颗粒度不是一个订单，而是一个订单中的明细项。

因此第一种方式就是调整颗粒度：

(
    df.groupby('order_id')
    .apply(
        lambda g: g.eval('quantity * item_price').sum()
    )
    .mean()
)

21.394231188658654

• 行2：把细颗粒度转粗颗粒度，汇总是最直接。按 order_id 分组即可
• 行3：由于收入需要计算，因此使用 apply 可以充分控制每一组汇总的细节
• 行4：参数 g 就是每个 order_id 的组，是一个表(DataFrame)，这里是计算总收入
• 行6：上一步的结果是一个表，颗粒度是每个订单的收入。因此，直接求平均即可

使用 groupby+ apply 比较慢，我们可以把计算收入放在分组之前：

(
    df.eval('revenue=quantity * item_price')
    .groupby('order_id')
    .agg({'revenue':sum})['revenue']
    .mean()
)

• 行2：df.eval 可以直接表达新增列逻辑
• 行4：由于汇总逻辑更直接，不需要用apply ，可以直接用 agg。对 revenue 求和
• 但是 groupby + agg 出来的结果是一个表，如果直接求平均，会得到一个列(遍历所有列求平均)。因此这里需要取出 revenue 列

有没有发现，收入只是一个临时变量，但代码中却多次出现(revenue)。可否省略？这引出方式2

方式2

pandas允许直接对列(Series)做分组：

(
    df.eval('quantity * item_price')
    .groupby(df.order_id)
    .sum()
    .mean()
)

• 行2：直接计算收入，此时得到的是列(Series)
• 行3：对列分组，但是列里面没有分组依据(order_id)，我们可以直接把数据传入。注意这里不是列名(字符串)，而是一列数据
• 行4：这里的 sum 是 groupby 后的操作，表达的是每一组的统计方式，我们需要求总订单收入
• 行5：上一步得到每个订单的收入，仍然是列(Series)，直接求平均，就能得到一个数值

点评：

1. 这种方式最直观，无须中间变量

推荐阅读：

1. 懂Excel轻松入门Python数据分析包pandas(29)：轻松做出筛选控件
2. 懂Excel轻松入门Python数据分析包pandas(二十八)：二分法查找