تجمیع و گروه‌بندی داده

تجمیع داده چیست؟

معمولاً سؤال‌های تحلیلی به ازای «گروه» هستند: «فروش هر شهر چقدر بوده؟»، «میانگین سبد خرید هر دسته مشتری چیست؟». تجمیع (Aggregation) یعنی: داده را گروه‌بندی کن و برای هر گروه یک آمار (مجموع، میانگین، تعداد...) محاسبه کن.

الگوی سه‌مرحله‌ای groupby

df.groupby("city")["sales"].sum()

1. Split: داده بر اساس ستون city به گروه‌ها تقسیم می‌شود
2. Apply: تابع (مثلاً sum) روی هر گروه اعمال می‌شود
3. Combine: نتایج در یک جدول جدید جمع می‌شوند

توابع تجمیع پرکاربرد

گروه‌بندی چندسطحی

می‌توان بر اساس چند ستون گروه‌بندی کرد:

# فروش هر شهر در هر ماه
df.groupby(["city", "month"])["sales"].sum()

چند تجمیع هم‌زمان: agg

df.groupby("city")["sales"].agg(["sum", "mean", "count"])

حتی می‌توان برای هر ستون، توابع متفاوت خواست:

df.groupby("city").agg({
    "sales": "sum",
    "price": "mean",
    "customer": "nunique"
})

جدول محوری (Pivot Table)

پیوت تیبل، نتیجه گروه‌بندی را به شکل جدول متقاطع (مثل اکسل) می‌چیند:

# سطر: شهر، ستون: ماه، مقدار: مجموع فروش
pd.pivot_table(df, values="sales", index="city", columns="month", aggfunc="sum")

این شکل برای مقایسه بصری گروه‌ها عالی است.

مرتب‌سازی نتیجه

معمولاً بعد از تجمیع، می‌خواهیم برترین‌ها را ببینیم:

result = df.groupby("city")["sales"].sum()
top = result.sort_values(ascending=False)
top3 = top.head(3)   # سه شهر برتر

جمع‌بندی

• تجمیع = Split + Apply + Combine
• groupby ابزار اصلی پاسخ به سؤال‌های «به ازای هر گروه» است
• agg برای چند آمار هم‌زمان و pivot_table برای جدول متقاطع
• بعد از تجمیع، sort_values برترین‌ها را نشان می‌دهد