Bỏ qua đến nội dung chính
Mục lục

groupby trong pandas (pandas groupby): gom nhóm và tính tổng

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 1/13 · Chương 5

GroupBy, map và apply

  • 8 phút
  • Trung cấp
  • Python 3.14
  • Cập nhật

Hàm groupby() của pandas gom các dòng có cùng giá trị ở một cột vào chung một nhóm, để bạn nhận về một con số riêng cho mỗi nhóm. Bạn cần nó mỗi khi câu hỏi có chữ "theo": doanh thu theo kênh bán, số đơn theo tỉnh, chi tiêu theo hình thức trả tiền.

Cần biết trước: value_counts(), thống kê một cột và gom nhóm bằng dict.

Chia bảng thành nhóm rồi tính tổng

Ba chi nhánh của một chuỗi quán cà phê gửi doanh thu từng ca về một bảng chung. Chủ quán muốn biết mỗi chi nhánh làm ra bao nhiêu:

python
import pandas as pd

ban = pd.DataFrame({
    "chi_nhanh": ["Huế", "Đà Lạt", "Hà Nội", "Huế", "Hà Nội",
                  "Đà Lạt", "Huế", "Hà Nội"],
    "doanh_thu": [450000, 380000, 620000, 510000, 700000,
                  290000, 480000, 560000],
})
tong = ban.groupby("chi_nhanh")["doanh_thu"].sum()
print(tong)

KẾT QUẢ

chi_nhanh
Huế       1440000
Hà Nội    1880000
Đà Lạt     670000
Name: doanh_thu, dtype: int64

Câu lệnh có ba phần: groupby("chi_nhanh") nói chia theo gì, ["doanh_thu"] nói lấy cột nào, .sum() nói tính gì trên mỗi phần. Cách làm này có tên tiếng Anh là split-apply-combine (tách, áp, gộp). Hình dung một chồng hóa đơn được chia vào ba phong bì theo tên chi nhánh, mỗi phong bì cộng riêng, rồi ba tổng được chép lên một tờ giấy. Bài Python về gom nhóm bằng dict làm đúng việc này bằng một vòng lặp, còn groupby() làm trong một dòng.

Đổi sum() thành max() rồi chạy lại: dòng Huế in 510000, ca cao nhất của chi nhánh Huế.

Kết quả là Series có index là các nhóm

Gom theo một cột và tính trên một cột thì pandas trả một Series. Tên các chi nhánh không còn là giá trị trong bảng mà thành nhãn dòng của Series đó, mỗi chi nhánh một nhãn, còn chữ chi_nhanh lui về làm tên của index:

python
import pandas as pd

ban = pd.DataFrame({
    "chi_nhanh": ["Huế", "Đà Lạt", "Hà Nội", "Huế", "Hà Nội",
                  "Đà Lạt", "Huế", "Hà Nội"],
    "doanh_thu": [450000, 380000, 620000, 510000, 700000,
                  290000, 480000, 560000],
})
tong = ban.groupby("chi_nhanh")["doanh_thu"].sum()
print(type(tong).__name__, tong.index.to_list())
print(tong["Huế"])
print(tong.sort_values(ascending=False).to_dict())

KẾT QUẢ

Series ['Huế', 'Hà Nội', 'Đà Lạt']
1440000
{'Hà Nội': 1880000, 'Huế': 1440000, 'Đà Lạt': 670000}

Vì tên chi nhánh đã thành nhãn của index, tong["Huế"] lấy tổng của Huế như tra một dict. Các nhóm được sắp theo mã ký tự: chữ Đ có mã lớn hơn mọi chữ cái không dấu nên Đà Lạt đứng cuối, dù trong bảng nó xuất hiện thứ hai. Muốn xếp theo con số thì gọi sort_values() trên kết quả, như dòng in cuối. to_dict() chỉ để in gọn một Series trên một dòng.

Đếm dòng bằng size() và count()

Hai cách đếm sau groupby() cho hai con số khác nhau khi bảng có ô trống. size() đếm số dòng của mỗi nhóm. count() gọi trên một cột thì đếm số ô có giá trị của cột đó, bỏ qua ô trống. Bảng phiếu khảo sát dưới đây có vài khách không chấm điểm (None thành ô trống NaN khi dựng bảng):

python
import pandas as pd

phieu = pd.DataFrame({
    "chi_nhanh": ["Huế", "Đà Lạt", "Huế", "Hà Nội", "Đà Lạt",
                  "Huế", "Hà Nội", "Đà Lạt"],
    "diem": [5, None, 4, 3, 5, None, None, 4],
})
theo_cn = phieu.groupby("chi_nhanh")
print(theo_cn.size().to_dict())
print(theo_cn["diem"].count().to_dict())
print(theo_cn["diem"].mean().to_dict())

KẾT QUẢ

{'Huế': 3, 'Hà Nội': 2, 'Đà Lạt': 3}
{'Huế': 2, 'Hà Nội': 1, 'Đà Lạt': 2}
{'Huế': 4.5, 'Hà Nội': 3.0, 'Đà Lạt': 4.5}

Huế phát ba phiếu nhưng chỉ hai phiếu có điểm. mean() cũng bỏ qua ô trống: điểm trung bình của Huế là (5 + 4) / 2, không chia cho ba. Biến theo_cn giữ phép chia nhóm, nên bạn gọi nhiều phép tính trên nó mà không phải viết lại groupby().

Trên file don_hang.csv của bộ dữ liệu thực hành, size() cho số đơn của mỗi kênh bán:

python
import pandas as pd

don = pd.read_csv("don_hang.csv")
print(don.groupby("kenh").size())

KẾT QUẢ

kenh
Cửa hàng       173
Mạng xã hội    115
Sàn TMĐT       376
Website        464
Ứng dụng       398
dtype: int64

Con số giống don["kenh"].value_counts(), chỉ khác thứ tự: value_counts() xếp nhóm đông nhất lên đầu, groupby() xếp theo tên nhóm.

Gom nhóm trên file đơn hàng và chi tiêu

Bảng đơn hàng ghi số lượng và đơn giá, nên doanh thu của mỗi đơn là tích hai cột. Tính cột đó trước, rồi gom theo kênh và quy về triệu đồng cho dễ đọc:

python
import pandas as pd

don = pd.read_csv("don_hang.csv")
don["doanh_thu"] = don["so_luong"] * don["don_gia"]
trieu = don.groupby("kenh")["doanh_thu"].sum() / 1_000_000
print(trieu.round(1).sort_values(ascending=False))

KẾT QUẢ

kenh
Website        84.6
Ứng dụng       64.6
Sàn TMĐT       61.6
Cửa hàng       31.7
Mạng xã hội    19.3
Name: doanh_thu, dtype: float64

Website dẫn đầu với 84,6 triệu đồng trong 18 tháng. Phép chia cho 1_000_000 áp lên cả Series sau khi gộp, như khi tính trên một cột thường.

Sau groupby(), các phép thống kê một cột đều dùng được: sum(), mean(), median(), max(). File chi_tieu.csv ghi chi tiêu một năm của một người; trung vị theo hình thức trả tiền cho thấy khoản nào thường trả bằng gì:

python
import pandas as pd

chi_tieu = pd.read_csv("chi_tieu.csv")
theo_hinh_thuc = chi_tieu.groupby("hinh_thuc")["so_tien"]
print(theo_hinh_thuc.median())
print(theo_hinh_thuc.max().to_dict())

KẾT QUẢ

hinh_thuc
Chuyển khoản    294000.0
Thẻ             397500.0
Tiền mặt         43000.0
Ví điện tử       46500.0
Name: so_tien, dtype: float64
{'Chuyển khoản': 4500000, 'Thẻ': 3523000, 'Tiền mặt': 1372000, 'Ví điện tử': 1003000}

Khoản trả tiền mặt điển hình chỉ 43.000 đ, còn khoản chuyển khoản lớn nhất là tiền nhà 4.500.000 đ.

Kiểm tra nhanh

  1. Sau import pandas as pd, pd.DataFrame({"cn": ["Huế", "Đà Lạt", "Huế"], "x": [3, 5, 4]}).groupby("cn")["x"].sum().to_list() cho kết quả gì?

    • [5, 7]
    • [7, 5]
    • [3, 5, 4]
    • [7, 5, 7]
  2. Trong ví dụ bẫy đọc cột nhóm, tong["chi_nhanh"] báo lỗi gì?

    • Báo lỗi KeyError, vì chi_nhanh chỉ còn là tên index của tong
    • Báo lỗi AttributeError
    • Báo lỗi TypeError
  3. Trong ví dụ phiếu khảo sát, những câu nào đúng về nhóm Hà Nội?

    • size() cho 2
    • count() trên cột diem cho 2
    • count() trên cột diem cho 1
    • mean() của diem chia tổng điểm cho 2
  4. Về kết quả của don.groupby("kenh")["doanh_thu"].sum() trong bài, những câu nào đúng?

    • Đó là một Series
    • Index có tên kenh
    • Có một dòng cho mỗi đơn hàng
    • Index xếp theo tên kênh, chưa theo doanh thu
Đúng hết lần đầu +15 XP

Bài tập

Tính tỉ lệ nộp bài của mỗi lớp

Một trung tâm ghi bài nộp vào bảng bai có hai cột: lop (tên lớp) và diem (điểm của bài, ô trống khi học viên chưa nộp). Viết thân hàm ti_le_nop_bai(bai): với mỗi lớp, tính tỉ lệ dòng có điểm trên tổng số dòng của lớp đó.

  • Lớp chưa ai nộp vẫn có mặt, với tỉ lệ 0.0.

  • Index của kết quả là tên lớp, theo thứ tự groupby() cho; tên Series không chấm.

Hàm không sửa bảng bai của nơi gọi.

Trả về: tỉ lệ nộp bài của mỗi lớp, một Series.

python
import pandas as pd

def ti_le_nop_bai(bai):
    pass  # Viết thân hàm thay cho dòng này

Tóm tắt

  • df.groupby("cot")["x"].sum() chia bảng theo cot, cộng cột x của từng nhóm, gộp thành một Series.

  • Kết quả có một dòng cho mỗi nhóm; index là các giá trị của cột nhóm, xếp theo mã ký tự.

  • Cột nhóm thành index nên kq["cot"] báo KeyError; tra một nhóm bằng nhãn như kq["Huế"].

  • size() đếm dòng của mỗi nhóm; count() trên một cột đếm ô có giá trị, bỏ qua ô trống.

  • Sau groupby() dùng được sum(), mean(), median(), max(); xếp theo con số bằng sort_values().

Câu hỏi thường gặp

Hàm groupby trong pandas khác value_counts() ở đâu?

value_counts() chỉ đếm số lần mỗi giá trị xuất hiện, còn groupby() tính được các phép thống kê trên một cột khác theo nhóm: tổng, trung bình, lớn nhất. Khi chỉ cần đếm, hai cách cho cùng số, chỉ khác thứ tự dòng. Bài value_counts() dạy cách đếm và tỉ lệ phần trăm.

Làm sao groupby theo hai cột cùng lúc?

Truyền một list tên cột: don.groupby(["kenh", "trang_thai"]). Kết quả có index hai tầng, mỗi nhóm là một cặp giá trị. Bài groupby nhiều cột dạy cách đọc index đó và cách nhận lại một bảng phẳng.

Muốn tính nhiều hàm như tổng và trung bình trong một lần gom thì viết thế nào?

Dùng agg() sau groupby(), ví dụ don.groupby("kenh")["doanh_thu"].agg(["sum", "mean"]), để có một bảng mỗi hàm một cột. Cách đặt tên cho từng cột kết quả nằm ở bài agg().

df groupby có làm thay đổi bảng gốc không?

Không. groupby() chỉ đọc bảng và trả kết quả mới; bảng don giữ nguyên số dòng và các cột. Muốn đặt tổng của nhóm cạnh từng dòng của bảng gốc thì dùng transform() rồi gán vào một cột mới.

Chủ đề

pandas groupby

Dữ liệu của bài

Bài này có hữu ích?

Hỏi đáp

Đang tải câu hỏi…

Tham vấn chuyên môn

Nguyễn Việt Chung

Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE

  • Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
  • Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
  • Xây hệ thống AI cho doanh nghiệp tại VietPlatform.
Biên soạn: AIDev Team · Rà soát · Quy trình biên tập