Pandas Dataframe groupby:一次应用几个lambda函数

Pandas是一个基于Python的数据分析库，提供了高性能、易用的数据结构和数据分析工具。其中，Dataframe是Pandas中最常用的数据结构之一，类似于Excel中的二维表格，可以进行数据的整理、清洗、转换和分析。

groupby是Dataframe中的一个重要函数，用于按照指定的列或多个列对数据进行分组。在groupby函数中，可以应用多个lambda函数来对分组后的数据进行处理。

lambda函数是一种匿名函数，可以在一行代码中定义简单的函数。它通常用于需要临时定义函数的场景，不需要使用def关键字来定义函数名称。

在Pandas的groupby函数中，可以通过应用多个lambda函数来对分组后的数据进行不同的操作。这些lambda函数可以用于计算统计指标、筛选数据、进行数据转换等。

下面是一个示例代码，展示了如何使用groupby函数并应用多个lambda函数：

import pandas as pd

# 创建一个示例Dataframe
data = {'Name': ['Alice', 'Bob', 'Charlie', 'Alice', 'Bob'],
        'Age': [25, 30, 35, 25, 30],
        'Salary': [5000, 6000, 7000, 5500, 6500]}
df = pd.DataFrame(data)

# 按照Name列进行分组，并应用多个lambda函数
result = df.groupby('Name').apply(lambda x: pd.Series({'Total Salary': x['Salary'].sum(),
                                                       'Average Age': x['Age'].mean()}))

print(result)

运行以上代码，输出结果如下：

        Total Salary  Average Age
Name                             
Alice          10500         25.0
Bob            12500         30.0
Charlie         7000         35.0

在上述示例中，我们首先创建了一个示例Dataframe，包含了姓名（Name）、年龄（Age）和工资（Salary）三列数据。然后，我们使用groupby函数按照姓名（Name）列进行分组，并应用了两个lambda函数。第一个lambda函数计算了每个分组的工资总和（Total Salary），第二个lambda函数计算了每个分组的平均年龄（Average Age）。最后，我们将结果打印输出。

Pandas提供了丰富的函数和方法，可以灵活地对数据进行处理和分析。在实际应用中，可以根据具体的需求，结合lambda函数和其他函数来完成更复杂的数据操作。

推荐的腾讯云相关产品：腾讯云数据库TDSQL、腾讯云数据分析TDW、腾讯云云服务器CVM等。你可以通过访问腾讯云官网（https://cloud.tencent.com/）获取更详细的产品介绍和相关文档。