pandas提供基於行和列的聚合操作，groupby可理解為是基於行的，agg則是基於列的
從實現上看，groupby返回的是一個DataFrameGroupBy結構，這個結構必須調用聚合函數（如sum）之后，才會得到結構為Series的數據結果。
而agg是DataFrame的直接方法，返回的也是一個DataFrame。當然，很多功能用sum、mean等等也可以實現。但是agg更加簡潔, 而且傳給它的函數可以是字符串，也可以自定義，參數是column對應的子DataFrame
一、pandas.group_by
首先來看一下案例的數據格式,使用head函數調用DataFrame的前8條記錄，這里一共4個屬性
column_map.head(8)
work_order 表示工序， work_station表示工位，rang_low, range_high 表示對應記錄的上下限，現在使用groupby統計每個工序工位下面各有多少條記錄
column_map.groupby(['work_order','work_station'])我們會發現輸出的是一個GroupBy類，並非我們想要的結果
<pandas.core.groupby.DataFrameGroupBy object at 0x111242630>還需要加上一個聚合函數，比如
wo_ws_group = column_map.groupby(['work_order','work_station']) wo_ws_group.size()我們就可以得到
新出現的列對應着每個工序工位下面有多少條記錄
但是我們可以發現它的格式已經和我們平時使用的DataFrame不太一樣了，我們可以使用下面的命令解決
wo_ws_group.size().reset_index()
想要查詢具體每一個記錄，可以使用loc命令
使用get_group可以查詢具體每一個分組下面的所有記錄
wo_ws_group.get_group(('0','11'))
因為比較多就顯示全部了，使用head，顯示前幾條記錄
wo_ws_group.get_group(('0','11')).head(8)
我們還可以使用idxmin()，idxmax()函數，獲得每一個分組下面所有記錄中數值最大最小的index
wo_ws_group['range_low'].idxmin()
對於分組結果的每一列還可以使用apply，進行一些函數的二次處理，如
wo_ws_group['work_order'].apply(lambda x:2*x).head(8)
由於這里的0是字符串類型，所以2*以后都變成了2個0
二、pandas.agg
agg的使用比groupby還要簡介一些，我們現自己創建一個DataFrame作為例子
data = pd.DataFrame([[2,11],[1,23],[5,11],[1.3,44],[5,111]],columns = ['price','quantity'],dtype = float)
使用agg統計每一列的求和與平均值
data.agg({'price':['sum','mean'],'quantity':['sum']})
如果需要自定義一些函數的 話可以使用lambda函數
