groupby — Patrón de Dividir-Aplicar-Combinar

Al finalizar este tema

Podrás explicar el funcionamiento interno de pandas groupby() mediante el patrón de Dividir-Aplicar-Combinar y adquirirás familiaridad con los patrones de agregación, transformación y filtrado por grupo que se utilizan con frecuencia en la práctica.

¿Por qué son necesarias las operaciones por grupo?

El "promedio general" es df["score"].mean() en una sola línea. Sin embargo, las preguntas prácticas suelen tener esta forma:

¿Cuál es el salario promedio por departamento?
¿Cuál es la suma de ventas mensuales?
¿Cuál es el producto más vendido por categoría?

En el momento en que aparece "~por", se requieren operaciones por grupo. Esta es la función de groupby().

Patrón de Dividir-Aplicar-Combinar

Este patrón, nombrado por Hadley Wickham en 2011, es la estructura de pensamiento más recurrente en el análisis de datos.

text

Datos originales
┌────────┬──────┬───────┐
│ dept   │ name │ score │
├────────┼──────┼───────┤
│ Sales  │ Alice│   85  │
│ Sales  │ Bob  │   90  │
│ Dev    │ Carol│   95  │
│ Dev    │ Dave │   88  │
│ HR     │ Eve  │   78  │
└────────┴──────┴───────┘

1. SPLIT — dividir por departamento
   Sales: [85, 90]
   Dev:   [95, 88]
   HR:    [78]

2. APPLY — aplicar una función a cada grupo (por ejemplo, la media)
   Sales: 87.5
   Dev:   91.5
   HR:    78.0

3. COMBINE — reunir los resultados en uno
   ┌────────┬───────┐
   │ dept   │ score │
   ├────────┼───────┤
   │ Dev    │  91.5 │
   │ HR     │  78.0 │
   │ Sales  │  87.5 │
   └────────┴───────┘

En pandas, estos tres pasos se realizan en una sola línea:

python

df.groupby("dept")["score"].mean()

Uso básico

python

import pandas as pd

df = pd.DataFrame({
    "dept": ["Sales", "Sales", "Dev", "Dev", "HR"],
    "name": ["Alice", "Bob", "Carol", "Dave", "Eve"],
    "score": [85, 90, 95, 88, 78],
    "salary": [50000, 52000, 70000, 68000, 45000]
})

# Puntuación media por departamento
df.groupby("dept")["score"].mean()
# dept
# Dev      91.5
# HR       78.0
# Sales    87.5

# Suma de salarios por departamento
df.groupby("dept")["salary"].sum()
# dept
# Dev      138000
# HR        45000
# Sales    102000

¿Qué es un objeto GroupBy?

python

grouped = df.groupby("dept")
print(type(grouped))  # <class 'pandas.core.groupby.DataFrameGroupBy'>

groupby() no se calcula de inmediato. La evaluación diferida (lazy evaluation) significa que el cálculo solo se ejecuta cuando se aplica alguna función (como mean, sum, etc.). Esto evita cálculos innecesarios en conjuntos de datos grandes.

Verificación del contenido del grupo

python

for name, group in df.groupby("dept"):
    print(f"\n--- {name} ---")
    print(group)

# --- Dev ---
#   dept   name  score  salary
# 2  Dev  Carol     95   70000
# 3  Dev   Dave     88   68000
# --- HR ---
# ...

Varias funciones de agregación

Una columna, múltiples funciones

python

df.groupby("dept")["score"].agg(["mean", "min", "max", "count"])
#        mean  min  max  count
# dept
# Dev    91.5   88   95      2
# HR     78.0   78   78      1
# Sales  87.5   85   90      2

Funciones diferentes por columna

python

df.groupby("dept").agg(
    avg_score=("score", "mean"),
    total_salary=("salary", "sum"),
    headcount=("name", "count")
)
#        avg_score  total_salary  headcount
# dept
# Dev         91.5        138000          2
# HR          78.0         45000          1
# Sales       87.5        102000          2

La agregación con nombre (nombre_columna=("columna_original", "función")) es la forma más limpia, ya que permite especificar los nombres de las columnas del resultado de una sola vez.

Agrupación por varias columnas

python

sales = pd.DataFrame({
    "region": ["East", "East", "West", "West", "East", "West"],
    "category": ["A", "B", "A", "B", "A", "A"],
    "revenue": [100, 200, 150, 250, 120, 180]
})

sales.groupby(["region", "category"])["revenue"].sum()
# region  category
# East    A           220
#         B           200
# West    A           330
#         B           250

Al pasar varias columnas como lista, se genera un índice jerárquico (MultiIndex).

python

# Convertir MultiIndex en columnas normales
result = sales.groupby(["region", "category"])["revenue"].sum().reset_index()
#   region category  revenue
# 0   East        A      220
# 1   East        B      200
# 2   West        A      330
# 3   West        B      250

reset_index() convierte la clave de grupo desde el índice de nuevo a una columna normal. Esta forma es conveniente para tareas posteriores (visualización, guardado, etc.).

transform — transformación por grupo

agg() devuelve un único valor por grupo (5 filas → 3 filas). transform() devuelve un resultado del mismo tamaño que el original (5 filas → 5 filas).

python

# Añadir al conjunto original la media de cada departamento
df["dept_avg"] = df.groupby("dept")["score"].transform("mean")
print(df)
#    dept   name  score  salary  dept_avg
# 0  Sales  Alice     85   50000      87.5
# 1  Sales    Bob     90   52000      87.5
# 2    Dev  Carol     95   70000      91.5
# 3    Dev   Dave     88   68000      91.5
# 4     HR    Eve     78   45000      78.0

A cada fila se le adjunta el promedio de su propio departamento. Con esto, se puede calcular la puntuación en comparación con el promedio del departamento:

python

df["vs_avg"] = df["score"] - df["dept_avg"]
# Alice: 85 - 87.5 = -2.5 (por debajo de la media del departamento)
# Carol: 95 - 91.5 = +3.5 (por encima de la media del departamento)

filter — Filtrado por grupo

Mantiene o elimina todo el grupo que cumple con la condición.

python

# Solo departamentos con al menos dos personas
df.groupby("dept").filter(lambda g: len(g) >= 2)
#    dept   name  score  salary
# 0  Sales  Alice     85   50000
# 1  Sales    Bob     90   52000
# 2    Dev  Carol     95   70000
# 3    Dev   Dave     88   68000

El grupo completo de HR (1 persona) ha sido eliminado. El núcleo de filter() es filtrar por grupos, no por filas individuales.

Patrón práctico: Análisis de ventas mensuales

python

orders = pd.DataFrame({
    "date": pd.to_datetime([
        "2026-01-05", "2026-01-15", "2026-02-03",
        "2026-02-20", "2026-03-10", "2026-03-25"
    ]),
    "product": ["Widget", "Gadget", "Widget", "Gadget", "Widget", "Widget"],
    "amount": [1200, 800, 1500, 900, 1100, 1300]
})

# Ventas totales por mes
monthly = orders.groupby(orders["date"].dt.to_period("M"))["amount"].sum()
print(monthly)
# date
# 2026-01    2000
# 2026-02    2400
# 2026-03    2400

# Ventas mensuales medias por producto
orders.groupby("product").agg(
    total=("amount", "sum"),
    avg=("amount", "mean"),
    count=("amount", "count")
)
#         total     avg  count
# Gadget   1700   850.0      2
# Widget   5100  1275.0      4

En los datos de fecha, crear grupos mensuales con .dt.to_period("M") es un patrón muy común.

Resumen clave

Método	Acción	Tamaño del resultado
`agg()`	Agregación por grupo (suma, media, recuento...)	Número de grupos (disminuye)
`transform()`	Transformación por grupo (mantiene el tamaño original)	Igual que el original
`filter()`	Mantiene todos los grupos que cumplen la condición	Igual o menor que el original

groupby() es la función más potente y utilizada en pandas. Si puede visualizar el patrón Split-Apply-Combine, puede descomponer de forma natural incluso las agregaciones complejas en tres pasos: "dividir por qué columna (Split), aplicar qué función (Apply) y combinar los resultados en qué formato (Combine)".

BioPlayground

groupby: patrón de dividir-aplicar-combinar

groupby — Patrón de Dividir-Aplicar-Combinar

Al finalizar este tema

¿Por qué son necesarias las operaciones por grupo?

Patrón de Dividir-Aplicar-Combinar

Uso básico

¿Qué es un objeto GroupBy?

Verificación del contenido del grupo

Varias funciones de agregación

Una columna, múltiples funciones

Funciones diferentes por columna

Agrupación por varias columnas

transform — transformación por grupo

filter — Filtrado por grupo

Patrón práctico: Análisis de ventas mensuales

Resumen clave

💬 Preguntas y comentarios