python分组函数用法 python 分组函数( 四 )

（3）如果给出的是一个目录名，则输出路径和为空文件名
例如：
1、以'.'为分隔符
print(string.split('.')['www','pythin'.'com'.'cn']
【python分组函数用法 python 分组函数】 2、分割两次
print(string.split('.',2))['www','python','com.cn']
3、分割两次，并取序列为1的项
print(string.split('.',2[1])python
4、分离文件名和路径
import osprint(os.path.split('/dodo/soft/python/'))('/dodo/soft/python','')print(os.path.split('/dodo/soft/python'))('/dodo/soft'.'python')
python--pandas分组聚合groupby 方法是pandas中的分组方法，对数据框采用 groupby 方法后，返回的是 DataFrameGroupBy 对象，一般分组操作后会进行聚合操作。
对数据框按 A 列进行分组，产生分组数据框。分组数据框是可迭代对象，可以进行循环遍历，可以看出在循环中，每个元素的类型是元组，
元组的第一个元素是分组值，第二个元素是对应的分组数据框。
可以对分组后的数据框直接使用聚合方法 agg ，对分组数据框的每一列计算统计函数值。
可以根据数据框外的序列数据对数据框进行分组，需要注意序列长度需要与数据框行数相同。
可以根据数据框的多列对数据框进行分组。
根据 A , B 列进行分组，然后求和。
可以根据索引对数据框进行分组，需要设置 level 参数。
数据框只有一层索引，设置参数 level=0。
当数据框索引有多层时，也可以根据需求设置 level 参数，完成分组聚合。
设置 level 参数，如需要根据第一层索引，即 id1 进行分组，可以设置 level=0 或 level='id1' 完成分组聚合。
分组后一般会进行聚合操作，用 agg 方法进行聚合。
对分组后数据框使用单个函数进行聚合，单个聚合函数会对每列进行计算，然后合并返回。聚合函数以字符串的形式传入。
可以对分组后的数据指定列进行分组聚合。需要注意子列需要用[]包裹。
聚合函数也可以传入自定义的匿名函数。
聚合函数可以是多个函数。聚合时，多个聚合函数会对每列进行计算，然后合并返回。聚合函数以列表的形式传入。
聚合返回后的数据列名有两层索引，第一层是聚合的列名，第二层是使用的聚合函数名。如果需要对返回的聚合函数名重命名，
需要在传参时，传入元组，第一个元素为聚合函数名，第二个元素为聚合函数。
同样，也可以传入匿名函数。
如果需要对不同的列进行不同的聚合计算，则需要传入字典的形式。
可以重命名聚合后的列名，注意只能对一列传入一个聚合函数时有效。
python_分组、排序1、分组
grouped = df['需要计算的列名'].groupby(df['需要分组的列名']).sum() --求和或者其他函数
小tips：数值区间筛选查询数量
小于10：
df[(df.列名10)].count()
大于等于10，小于20：
df[(df.列名=10)(df.列名20)].count()--重点：中间连接用
2、排序
df.sort_values(by='要排序的列',axis=0,ascending=False)
axis=0 按照列排序， =1 按照行排序
ascending=False 降序，=True 升序
python groupby忽略每组前几个python中groupby函数主要的作用是进行数据的分组以及分组后地组内运算！
对于数据的分组和分组运算主要是指groupby函数的应用，具体函数的规则如下：
df[](指输出数据的结果属性名称).groupby([df[属性],df[属性])(指分类的属性，数据的限定语，可以有多个).mean()(对于数据的计算方式——函数名称)
另外，我们也可以过滤掉和忽略掉你不想要的组，而是返回一个类似索引对象。在这个对象中，我们分组时需要设置一个过滤条件，那么没有通过的分组的元素被NaN 填充，这样分组后被NaN 填充的数据就可以忽略了。