Skip to content
Learn Hub

GroupBy

GroupBy

Section titled “GroupBy”

.groupby() คือเครื่องมือที่ทรงพลังที่สุดใน pandas สำหรับการสรุปข้อมูลตามกลุ่ม แนวคิดเดียวกับ GROUP BY ใน SQL หรือ Pivot Table ใน Excel

แนวคิด Split → Apply → Combine

Section titled “แนวคิด Split → Apply → Combine”
import pandas as pd


df = pd.DataFrame({
    "category": ["เสื้อผ้า", "รองเท้า", "เสื้อผ้า", "accessories", "รองเท้า", "เสื้อผ้า"],
    "product": ["เสื้อ", "ผ้าใบ", "กางเกง", "หมวก", "แตะ", "เสื้อกล้าม"],
    "price": [350, 1200, 590, 299, 450, 250],
    "qty": [10, 3, 5, 20, 8, 15]
})

.groupby() พื้นฐาน

Section titled “.groupby() พื้นฐาน”
# สรุปยอดขายตามหมวดหมู่
grouped = df.groupby("category")["price"].sum()
print(grouped)
# category
# accessories     299
# รองเท้า        1650
# เสื้อผ้า        1190


# หลาย aggregate functions
stats = df.groupby("category")["price"].agg(["mean", "min", "max", "count"])
print(stats)

.agg() — หลาย column, หลาย function

Section titled “.agg() — หลาย column, หลาย function”
summary = df.groupby("category").agg({
    "price": ["mean", "sum"],
    "qty": ["sum", "max"]
})
print(summary)

Named Aggregation (แนะนำ)

Section titled “Named Aggregation (แนะนำ)”
# syntax ที่อ่านง่ายกว่า — ตั้งชื่อ column ผลลัพธ์ได้เลย
summary = df.groupby("category").agg(
    avg_price=("price", "mean"),
    total_revenue=("price", "sum"),
    total_qty=("qty", "sum"),
    product_count=("product", "count")
).reset_index()


print(summary)
#       category  avg_price  total_revenue  total_qty  product_count
# 0  accessories     299.00            299         20              1
# 1     รองเท้า     825.00           1650         11              2
# 2     เสื้อผ้า     396.67           1190         30              3

GroupBy หลาย column

Section titled “GroupBy หลาย column”
# เพิ่ม region
df["region"] = ["กรุงเทพ", "กรุงเทพ", "เชียงใหม่", "กรุงเทพ", "เชียงใหม่", "กรุงเทพ"]


by_cat_region = df.groupby(["category", "region"]).agg(
    total=("price", "sum"),
    count=("product", "count")
).reset_index()

Custom Aggregation

Section titled “Custom Aggregation”
# ใช้ lambda หรือ custom function
df.groupby("category")["price"].agg(
    lambda x: x.max() - x.min()  # range
)