groupby

import pandas as pd

ventas = pd.DataFrame({
    "vendedor": ["Ana", "Bruno", "Ana", "Carla", "Bruno", "Ana"],
    "importe": [100.0, 250.0, 80.0, 300.0, 120.0, 60.0],
})

print("6 filas de entrada:")
print(ventas.to_string(index=False))

print()
print('groupby("vendedor").size() -> cuantas filas tiene cada grupo:')
print(ventas.groupby("vendedor").size().to_string())

print()
print('groupby("vendedor")["importe"].sum():')
print(ventas.groupby("vendedor")["importe"].sum().to_string())

print()
print("El resultado tiene 3 filas: una por vendedor. Ese es el salto.")
print("Y el vendedor dejo de ser una columna: ahora es el INDICE.")
resumen = ventas.groupby("vendedor")["importe"].sum()
print("indice:", list(resumen.index))

import pandas as pd

tx = pd.read_csv("transacciones_sucursales.csv")

resumen = (tx.groupby("sucursal")
           .agg(operaciones=("id", "size"),
                total=("importe", "sum"),
                promedio=("importe", "mean"),
                maximo=("importe", "max"))
           .round(2))

print(resumen.to_string())

print()
print("La forma es siempre la misma: nombre_de_salida=(columna, funcion).")
print("Se lee de corrido y el resultado ya viene con los nombres puestos.")

print()
print("Mira la sucursal Sur: su maximo es de casi 100 millones y su promedio")
print("se fue con el. Un solo valor puede dominar un grupo entero.")
print("Por eso conviene mirar la mediana al lado de la media:")
print(tx.groupby("sucursal")["importe"].median().round(2).to_string())

import pandas as pd

tx = pd.read_csv("transacciones_sucursales.csv")

comparacion = pd.DataFrame({
    "size": tx.groupby("sucursal").size(),
    "count_importe": tx.groupby("sucursal")["importe"].count(),
})
comparacion["diferencia"] = comparacion["size"] - comparacion["count_importe"]
print(comparacion.to_string())

print()
print("size()  cuenta FILAS del grupo.")
print("count() cuenta VALORES no ausentes de esa columna.")
print("La diferencia son los importes que faltan:",
      int(tx["importe"].isna().sum()), "en todo el archivo.")

print()
print("Importa mas de lo que parece: si informas 'operaciones' con count()")
print("sobre una columna que tiene ausentes, el conteo baja sin motivo.")
print("Y si calculas un promedio dividiendo por size() en vez de por count(),")
print("el promedio baja.")

print()
# Este es una de las dos sucursales a las que les falta un importe.
suma = tx.groupby("sucursal")["importe"].sum()
print("Este, promedio con mean()  :",
      round(tx.groupby("sucursal")["importe"].mean().loc["Este"], 2))
print("Este, suma / size()  (mal) :",
      round((suma / tx.groupby("sucursal").size()).loc["Este"], 2))
print("La diferencia es dividir 38 valores por 39 filas.")

import pandas as pd

tx = pd.read_csv("transacciones_sucursales.csv")
print("filas:", len(tx))
print("categorias ausentes:", int(tx["categoria"].isna().sum()))

por_defecto = tx.groupby("categoria")["importe"].sum()
con_nulos = tx.groupby("categoria", dropna=False)["importe"].sum()

print()
print("groupby('categoria')             ->", len(por_defecto), "grupos")
print("groupby('categoria', dropna=False) ->", len(con_nulos), "grupos")

print()
print("total del archivo        :", round(tx["importe"].sum(), 2))
print("suma de los grupos (default):", round(por_defecto.sum(), 2))
print("diferencia               :",
      round(tx["importe"].sum() - por_defecto.sum(), 2))

print()
print("Esa diferencia es una transaccion real que se cayo del informe")
print("porque no tiene categoria. El default de groupby es dropna=True,")
print("y por eso los totales agrupados pueden no sumar el total.")

import pandas as pd

tx = pd.read_csv("transacciones_sucursales.csv")

dos = (tx.groupby(["sucursal", "tipo"])
       .agg(operaciones=("id", "size"), total=("importe", "sum"))
       .round(2))
print(dos.head(6).to_string())

print()
print("El indice tiene dos niveles:", dos.index.names)
print("Es comodo para mirar y molesto para seguir trabajando: filtrar,")
print("ordenar o escribir un CSV es mas simple con columnas normales.")

print()
plano = (tx.groupby(["sucursal", "tipo"], as_index=False)
         .agg(operaciones=("id", "size"), total=("importe", "sum"))
         .round(2))
print("con as_index=False:")
print(plano.head(4).to_string(index=False))
print("columnas:", list(plano.columns))

print()
print("reset_index() sobre el primero da exactamente lo mismo.")
print("los dos coinciden:", bool(dos.reset_index().equals(plano)))

print()
print("Ojo con el tipo 'Ingresso', que es un error de tipeo y arma su")
print("propio grupo. groupby no normaliza nada: agrupa por el valor exacto.")
print(tx["tipo"].value_counts().to_string())