Fundamentos de GroupBy

El patrón dividir-aplicar-combinar

GroupBy es una de las características más potentes de pandas. Sigue un patrón de tres pasos:

1. Dividir, divide el DataFrame en grupos según una o más columnas
2. Aplicar, calcula una función en cada grupo de forma independiente
3. Combinar, une los resultados de nuevo en un solo DataFrame

import pandas as pd

# titanic.csv ships with the course — load it from the browser file system.
df = pd.read_csv("titanic.csv")

Agrupando por una sola columna

# Average survival rate by passenger class
print(df.groupby("Pclass")["Survived"].mean())

Salida:

Pclass
1    0.629630
2    0.472826
3    0.242363
Name: Survived, dtype: float64

Los pasajeros de primera clase tuvieron una tasa de supervivencia del 63%, en comparación con el 24% de la tercera clase. Groupby reveló una diferencia de clase marcada en segundos.

Qué sucede paso a paso:

# This is conceptually what groupby does:
for pclass, group_df in df.groupby("Pclass"):
    print(f"Class {pclass}: {group_df['Survived'].mean():.3f}")

Agrupando por varias columnas

# Survival rate by class and sex
print(df.groupby(["Pclass", "Sex"])["Survived"].mean())

Salida:

Pclass  Sex   
1       female    0.968085
        male      0.368852
2       female    0.921053
        male      0.157407
3       female    0.500000
        male      0.135447
Name: Survived, dtype: float64

Usa unstack() para hacer esto más fácil de leer:

print(df.groupby(["Pclass", "Sex"])["Survived"].mean().unstack())

Métodos de agregación

Groupby admite todas las agregaciones estándar:

# Mean fare by class
print(df.groupby("Pclass")["Fare"].mean())

# Total fare collected per class
print(df.groupby("Pclass")["Fare"].sum())

# Count of passengers per class
print(df.groupby("Pclass")["PassengerId"].count())

Múltiples agregaciones con agg()

El método agg() aplica varias funciones a la vez:

print(df.groupby("Pclass")["Fare"].agg(["mean", "median", "min", "max", "count"]))

Salida:

              mean  median     min       max  count
Pclass                                             
1        84.154687  60.287  0.0000  512.3292    216
2        20.662183  19.575  0.0000   73.5000    184
3        13.675550   8.050  0.0000   56.4958    491

Diferentes agregaciones por columna:

print(df.groupby("Pclass").agg({
    "Survived": "mean",
    "Fare": ["mean", "max"],
    "Age": "median",
    "Name": "count"
}))

Agregando todas las columnas numéricas

# Quick summary of all numeric columns per group
print(df.groupby("Pclass").mean(numeric_only=True))

GroupBy con filtros

Después de agrupar, puedes filtrar grupos completos:

# Keep only groups with more than 50 passengers
large_groups = df.groupby("Pclass").filter(lambda x: len(x) > 50)
print(large_groups["Pclass"].value_counts())

Inténtalo

Usando el conjunto de datos del Titanic, calcula:

1. La tarifa promedio para cada puerto de embarque
2. La tasa de supervivencia para cada combinación de sexo y puerto de embarque
3. Las estadísticas de edad (media, mediana, mín, máx) para cada clase de pasajero

import pandas as pd

# titanic.csv ships with the course — load it from the browser file system.
df = pd.read_csv("titanic.csv")

print("Average fare by port:")
print(df.groupby("Embarked")["Fare"].mean())

print("\nSurvival by sex and port:")
print(df.groupby(["Sex", "Embarked"])["Survived"].mean().unstack())

print("\nAge stats by class:")
print(df.groupby("Pclass")["Age"].agg(["mean", "median", "min", "max"]))

Conclusiones clave

• GroupBy sigue el patrón dividir-aplicar-combinar: divide los datos, aplica una función, combina los resultados
• Agrupa por una columna para resúmenes simples y por varias columnas para análisis más profundos
• agg() te permite calcular varias estadísticas a la vez, por columna si es necesario
• Groupby revela patrones invisibles en los datos crudos

Desafío de práctica

Del conjunto de datos del Titanic, calcula la tasa de supervivencia para cada combinación de Pclass, Sex y si el pasajero viajaba solo (SibSp + Parch == 0). ¿Qué grupo tuvo la mayor tasa de supervivencia? ¿Cuál tuvo la menor?