7 min de leitura

#5 - Agrupando e Agregando Dados com groupby()

Como usar o groupby() do Pandas para agrupar dados por categoria e calcular agregações com o padrão split-apply-combine, incluindo o método agg().

#5 - Agrupando e Agregando Dados com groupby()

No post anterior você aprendeu a filtrar um DataFrame pra ficar só com as linhas que interessam. O próximo passo natural, depois de filtrar, é resumir: em vez de olhar linha por linha, você quer respostas como “qual a média de vendas por região?” ou “quantos produtos cada categoria tem?”. É exatamente pra isso que existe o groupby().

O padrão split-apply-combine

O groupby() segue uma lógica em três etapas, conhecida como split-apply-combine:

  1. Split (dividir): o DataFrame é dividido em grupos, com base nos valores de uma ou mais colunas;
  2. Apply (aplicar): uma função é aplicada separadamente a cada grupo (uma soma, uma média, uma contagem…);
  3. Combine (combinar): os resultados de cada grupo são reunidos de volta numa única estrutura.

Na prática, você quase nunca pensa nessas três etapas separadamente — o Pandas cuida disso internamente. Mas ter esse modelo mental em mente ajuda a entender o que está acontecendo por trás de cada .groupby(...).

Agrupando com groupby()

Vamos usar como exemplo um DataFrame com vendas de produtos em diferentes regiões:

import pandas as pd

dados = {
    "regiao": ["Sul", "Sudeste", "Sul", "Nordeste", "Sudeste", "Nordeste", "Sul"],
    "produto": ["Notebook", "Notebook", "Mouse", "Mouse", "Teclado", "Notebook", "Teclado"],
    "unidades": [5, 12, 30, 18, 22, 7, 15],
    "receita": [16000, 38400, 2670, 1602, 3300, 22400, 2250]
}

df = pd.DataFrame(dados)

Exemplo 1 - criando o objeto GroupBy

grupos = df.groupby("regiao")
print(grupos)

A saída é algo como:

<pandas.core.groupby.generic.DataFrameGroupBy object at 0x7f2a1c0b5d90>

Repare que groupby() sozinho não devolve uma tabela — devolve um objeto DataFrameGroupBy, que guarda a informação de como os dados foram divididos, mas só calcula alguma coisa quando você chama um método de agregação em cima dele.

Exemplo 2 - contando linhas por grupo

print(grupos.size())

regiao
Nordeste    2
Sudeste     2
Sul         3
dtype: int64

.size() conta quantas linhas caíram em cada grupo, incluindo linhas com valores nulos. Se você quiser contar valores não-nulos por coluna, use .count() no lugar.

Agregando com funções estatísticas

Com os grupos formados, dá pra aplicar qualquer função estatística — ela é calculada separadamente pra cada grupo.

Exemplo 3 - média por grupo

print(df.groupby("regiao")["receita"].mean())

regiao
Nordeste    12001.0
Sudeste     20850.0
Sul          6973.333333
dtype: float64

Exemplo 4 - soma de todas as colunas numéricas

Sem selecionar uma coluna específica, a agregação é aplicada a todas as colunas numéricas do DataFrame:

print(df.groupby("regiao")[["unidades", "receita"]].sum())

          unidades  receita
regiao
Nordeste        25    24002
Sudeste         34    41700
Sul             50    20920

Outras agregações comuns funcionam do mesmo jeito: .max(), .min(), .median(), .std().

Agrupando por múltiplas colunas

Pra cruzar mais de uma dimensão ao mesmo tempo, passe uma lista de nomes de coluna pro groupby():

Exemplo 5 - região e produto juntos

print(df.groupby(["regiao", "produto"])["receita"].sum())

regiao    produto
Nordeste  Mouse        1602
          Notebook    22400
Sudeste   Notebook    38400
          Teclado      3300
Sul       Mouse        2670
          Notebook    16000
          Teclado      2250
Name: receita, dtype: int64

O resultado ganha um índice em dois níveis (um MultiIndex): primeiro a região, depois o produto dentro dela.

Múltiplas agregações com agg()

Calcular só uma estatística por vez é limitado — o método .agg() (abreviação de aggregate) permite pedir várias de uma vez, ou até funções diferentes por coluna.

Exemplo 6 - várias funções na mesma coluna

print(df.groupby("regiao")["receita"].agg(["sum", "mean", "max"]))

               sum          mean    max
regiao
Nordeste     24002  12001.000000  22400
Sudeste      41700  20850.000000  38400
Sul          20920   6973.333333  16000

Exemplo 7 - uma função diferente por coluna

Passando um dicionário, cada coluna recebe sua própria lista de agregações:

resultado = df.groupby("regiao").agg({
    "unidades": "sum",
    "receita": ["mean", "max"]
})
print(resultado)

         unidades      receita
              sum         mean    max
regiao
Nordeste       25  12001.000000  22400
Sudeste        34  20850.000000  38400
Sul            50   6973.333333  16000

Nota: o .agg() também aceita funções personalizadas, inclusive lambdas — por exemplo, df.groupby("regiao")["receita"].agg(lambda x: x.max() - x.min()) calcula a amplitude (máximo menos mínimo) de receita em cada região.

Iterando e acessando um grupo específico

Exemplo 8 - percorrendo cada grupo com um for

O objeto GroupBy é iterável: cada iteração devolve uma tupla com o nome do grupo e o DataFrame correspondente.

for regiao, grupo in df.groupby("regiao"):
    print(f"Região: {regiao} — total de linhas: {len(grupo)}")

Região: Nordeste — total de linhas: 2
Região: Sudeste — total de linhas: 2
Região: Sul — total de linhas: 3

Exemplo 9 - buscando um grupo específico com get_group()

Se você já sabe qual grupo quer, não precisa iterar por todos — .get_group() busca direto:

print(df.groupby("regiao").get_group("Sul"))

     regiao   produto  unidades  receita
0       Sul  Notebook         5    16000
2       Sul     Mouse        30     2670
6       Sul   Teclado        15     2250

Com groupby() e agg() você já consegue transformar uma tabela de linhas soltas em resumos por categoria — a base de praticamente qualquer relatório ou dashboard. No próximo post, vamos ver o que fazer quando essa informação está espalhada em mais de um DataFrame: como combinar tabelas diferentes com merge(), join() e concat().

Fonte adaptada: Pandas - GroupBy, Pandas - Aggregations