Summary
This chapter explains how to use the pandas groupby().agg() method to apply multiple aggregation functions to multiple DataFrame columns at once, producing a concise summary table with hierarchical column labels.

General domain of usage
Airline flight data analysis

La oss utvide kunnskapen vår om `.groupby()`-metoden. Som du husker, kan vi bruke `.agg()`-metoden. Hovedfordelen med denne funksjonen er dens fleksibilitet: den lar oss bruke **flere, ulike** aggregeringer på **flere** kolonner samtidig, og returnerer en ryddig oppsummeringstabell.

Se på eksempelet nedenfor. Vi grupperte flyvninger etter `'Airline'`. Deretter brukte vi `.agg()` for å telle det totale antallet flyvninger (ved å bruke `'Delay'`-kolonnen) og samtidig finne den korteste og lengste flytiden (ved å bruke `'Length'`-kolonnen). Veldig praktisk, ikke sant?

import pandas as pd
data = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/plane', index_col = 0)
data_flights = data.groupby('Airline').agg({'Delay': 'count', 'Length': ['min', 'max']})
print(data_flights.head(10))

**Forklaring:**

```python
.agg({'Delay': 'count', 'Length': ['min', 'max']})
```
* `.agg()`: Forkortelse for "aggregate". Denne metoden tar de grupperte dataene og kondenserer dem til sammendragsstatistikk basert på reglene du angir.
* `{}`: Vi bruker en Python-ordbok for å knytte spesifikke kolonner til spesifikke operasjoner. Nøklene er kolonnenavnene du vil bruke, og verdiene er funksjonene du vil bruke.
* `'Delay': 'count'`: Ber pandas bruke tellefunksjonen på `'Delay'`-kolonnen for hver gruppe. Merk at vi sender inn strengaliaset `'count'` i stedet for å skrive `count()`. Pandas gjenkjenner disse standard strengnavnene for vanlige statistikker.
* `'Length': ['min', 'max']`: Hvis du vil bruke **mer enn én** funksjon på én kolonne, må du legge funksjonsnavnene i en liste `[]`. Her beregner vi både minimums- og maksimumsverdien for `'Length'`-kolonnen.

Fordi vi brukte flere funksjoner, vil den resulterende DataFrame automatisk opprette hierarkiske (MultiIndex) kolonner. Du vil se `Length` på øverste nivå, med `min` og `max` pent kategorisert under.

import unittest
import pandas as pd
import io
import sys


def _dynamic_test(test_case, condition, success_msg, failure_msg):
    if condition:
        test_case._testMethodName = success_msg
        test_case.assertTrue(True, success_msg)
    else:
        test_case._testMethodName = failure_msg
        test_case.fail(failure_msg)


def frames_equal(df1, df2):
    """ÐÐµÑÐµÐ²ÑÑÐºÐ° ÑÑÐ²Ð½Ð¾ÑÑÑ DataFrame Ð½ÐµÐ·Ð°Ð»ÐµÐ¶Ð½Ð¾ Ð²ÑÐ´ Ð½Ð°Ð·Ð² ÐºÐ¾Ð»Ð¾Ð½Ð¾Ðº Ñ MultiIndex."""
    try:
        df1_sorted = df1.sort_index()
        df2_sorted = df2.sort_index()
        return df1_sorted.equals(df2_sorted)
    except Exception:
        return False


class TestFlightAggregations(unittest.TestCase):
    def test_group_and_aggregate(self):
        """
        Check if the grouped DataFrame correctly aggregates:
        - mean and max of 'Time';
        - median of 'Length';
        grouped by ['AirportFrom', 'AirportTo'] (in that order).
        """
        import user_code

        # Reference dataset
        url = "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/plane"
        df = pd.read_csv(url, index_col=0)

        # Expected result
        ref = df.groupby(['AirportFrom', 'AirportTo']).agg({'Time': ['mean', 'max'], 'Length': 'median'})

        # User result
        assert hasattr(user_code, "data_flights"), "Variable 'data_flights' is missing."
        user_result = user_code.data_flights

        # Compare
        condition = isinstance(user_result, pd.DataFrame) and frames_equal(user_result, ref)
        _dynamic_test(
            self,
            condition,
            "The grouped DataFrame 'data_flights' correctly calculates mean, max (Time) and median (Length).",
            "The aggregation result is incorrect. Ensure you group by ['AirportFrom', 'AirportTo'] and calculate the correct aggregations."
        )


class TestOutput(unittest.TestCase):
    def test_output_head_10(self):
        """
        Check that the output of print(data_flights.head(10)) is not empty.
        """
        import user_code
        captured_output = io.StringIO()
        sys.stdout = captured_output
        print(user_code.data_flights.head(10))
        sys.stdout = sys.__stdout__

        output_text = captured_output.getvalue().strip()
        condition = len(output_text) > 0
        _dynamic_test(
            self,
            condition,
            "The first 10 rows of 'data_flights' are printed correctly using .head(10).",
            "The output is missing or incorrect. Use print(data_flights.head(10))."
        )


if __name__ == "__main__":
    unittest.main()


test_code.py

Dette kurset inneholder mange nyttige funksjoner for en fremtidig dataanalytiker. Du vil lære ulike metoder for å hente ut data og til og med sette betingelser for dem. Etter dette vil du bli kjent med metoder for å gruppere data. Du vil også lære hvordan du forhåndsbehandler data. Hver seksjon har sitt eget datasett, noe som gjør kurset engasjerende.

Denne delen vil lære deg hvordan du kan hente ut spesifikke kolonner ved hjelp av titler eller indekser. Du vil også bli kjent med ulike metoder for å velge rader basert på indekser.

Her vil du lære hvordan du kan hente ut data som oppfyller spesifikke betingelser. Du vil også lære hvordan du kan kombinere dem og til og med lage dine egne.

I denne delen vil du utvide kunnskapen din om å sette ulike datakriterier. Du vil lære å kontrollere om dataene dine finnes i en definert liste med verdier eller mellom to verdier. Du vil også lære hvordan du finner de største og minste verdiene.

Denne delen er en av de mest interessante i kurset. Her lærer du hvordan du kan gruppere data på ulike måter. Dette vil hjelpe deg som dataanalytiker med å finne informasjon om spesifikke datagrupper.

Denne delen er en av de viktigste for en dataanalytiker fordi det vil være umulig å arbeide med data dersom de inneholder manglende verdier eller feil format. Her vil du lære hvordan du håndterer slike upassende verdier.

Avansert Gruppering

Løsning