這是一個關於 pandas 從基礎到進階的練習題系列，來源於 github 上的 guipsamora/pandas_exercises 。這個專案從基礎到進階，可以檢驗你有多麼瞭解 pandas。
我會挑選一些題目，並且
提供比原題庫更多的解決方法以及更詳盡的解析
。
計劃每天更新一期，希望各位小夥伴先自行思考，再檢視答案。如果對你有幫助，記得轉發推薦給你的好友！
上期文章：
pandas每天一題-題目8：去重計數的多種實現方式
我的 pandas 專欄，入門到高階應用全在裡面！
後臺回覆"資料"，可以下載本題資料集
如下資料：
資料描述：
此資料是訂單明細表。一個訂單會包含很多明細項，表中每個樣本（每一行）表示一個明細項
order_id 列存在重複
quantity 是明細項數量
需求：
計算訂單平均收入？
說明：
假如有10筆訂單，總收入(quantity * item_price)是200，那麼訂單平均收入 = 200/10=20
雖然需求很簡單，但有些實現方式考驗你的 groupby 理解程度！
下面是答案了
方式1
初學者容易給出的錯誤答案是：
df = pd。read_csv（‘chipotle。tsv’，sep=‘\t’，converters={‘item_price’： lambda x： float（x［1：-1］）}）df。eval（‘quantity * item_price’）。mean（）
這個結果實際是“訂單明細平均收入”
問題在於資料顆粒度不是一個訂單，而是一個訂單中的明細項。
因此第一種方式就是調整顆粒度：
（ df。groupby（‘order_id’） 。apply（ lambda g： g。eval（‘quantity * item_price’）。sum（） ） 。mean（））
21。394231188658654
行2：把細顆粒度轉粗顆粒度，彙總是最直接。按 order_id 分組即可
行3：由於收入需要計算，因此使用 apply 可以充分控制每一組彙總的細節
行4：引數 g 就是每個 order_id 的組，是一個表（DataFrame），這裡是計算總收入
行6：上一步的結果是一個表，顆粒度是每個訂單的收入。因此，直接求平均即可
使用 groupby+ apply 比較慢，我們可以把計算收入放在分組之前：
（ df。eval（‘revenue=quantity * item_price’） 。groupby（‘order_id’） 。agg（{‘revenue’：sum}）［‘revenue’］ 。mean（））
行2：df。eval 可以直接表達新增列邏輯
行4：由於彙總邏輯更直接，不需要用apply ，可以直接用 agg。對 revenue 求和
但是 groupby + agg 出來的結果是一個表，如果直接求平均，會得到一個列（遍歷所有列求平均）。因此這裡需要取出 revenue 列
有沒有發現，收入只是一個臨時變數，但程式碼中卻多次出現（revenue）。可否省略？這引出方式2
方式2
pandas允許直接對列（Series）做分組：
（ df。eval（‘quantity * item_price’） 。groupby（df。order_id） 。sum（） 。mean（））
行2：直接計算收入，此時得到的是列（Series）
行3：對列分組，但是列裡面沒有分組依據（order_id），我們可以直接把資料傳入。注意這裡不是列名（字串），而是一列資料
行4：這裡的 sum 是 groupby 後的操作，表達的是每一組的統計方式，我們需要求總訂單收入
行5：上一步得到每個訂單的收入，仍然是列（Series），直接求平均，就能得到一個數值
點評：
這種方式最直觀，無須中間變數
推薦閱讀：
pandas每天一題-題目5：統計空值數量也有多種實現方式
pandas每天一題-題目1、2、3
懂Excel就能輕鬆入門Python資料分析包pandas（五）：重複值處理
Python進階系列：細講Python推導式
