Nivel 3 · Una tabla resumen por categoría

Varios números por grupo

Una tabla resumen normalmente necesita más de una estadística. agg calcula varias a la vez. La forma más clara es la agregación con nombre: cada palabra clave es el nombre de una columna de salida, y su valor es una pareja (column, function).

products.groupby("category").agg(
    n_products=("product_id", "count"),
    avg_price=("unit_price", "mean"),
    max_price=("unit_price", "max"),
)

Decides los nombres de columna desde el principio, así que no hay que renombrar después ni encabezados confusos de varios niveles. Este es el estilo que debes usar en el código compartido.

La función puede ser un string ("sum", "mean", "median", "min", "max", "count", "size", "nunique", "first") o cualquier función que reciba una Series y devuelva un valor:

products.groupby("category").agg(
    price_range=("unit_price", lambda s: s.max() - s.min()),
)

Mantener la clave como columna

Por defecto las claves del grupo se convierten en el índice. Con as_index=False, siguen siendo una columna normal, que es lo que quieres para una tabla que vas a ordenar, unir o exportar:

products.groupby("category", as_index=False).agg(...)

Llamar a .reset_index() después de un groupby normal da la misma forma.

Redondear columnas seleccionadas

DataFrame.round acepta un diccionario, así que puedes redondear solo lo que lo necesita:

summary.round({"avg_price": 2})

Redondear toda la tabla con .round(2) también está bien, ya que los conteos son números enteros de todos modos. Solo evita redondear la columna de precio original antes de promediar, lo que cambiaría el resultado.

Otros estilos de agregación que verás

El código y los tutoriales más antiguos usan otras formas. Funcionan, pero producen nombres de columna menos predecibles:

products.groupby("category")["unit_price"].agg(["mean", "max"])   # columns: mean, max
products.groupby("category").agg({"unit_price": ["mean", "max"]}) # two-level column headers

La forma de diccionario da un MultiIndex para las columnas (("unit_price", "mean")), que es incómodo de manejar. La agregación con nombre lo evita.

Contar productos

("product_id", "count") cuenta los ID que no faltan. Como los ID nunca faltan, eso es igual al número de filas. Para contar productos distintos en una tabla donde se repiten, como las líneas de pedido, usa en su lugar ("product_id", "nunique"). Elegir entre count, size y nunique es una decisión de corrección, no de estilo.

Leer el resultado

Cada categoría tiene 20 productos, así que las columnas interesantes son los precios. El promedio de Furniture es mucho más alto que el de Decor; compara el promedio con el máximo para detectar categorías en las que uno o dos artículos premium suben la media.

Errores comunes

• Escribir n_products=("product_id", count) con el nombre sin comillas count, que no está definido. Usa el string "count" (o la función integrada len).
• Olvidar as_index=False, de modo que category es el índice y no una columna.
• Escribir mal la columna dentro de la tupla: ("price", "mean") lanza KeyError.