在日常資料分析時，經常會遇到需要按列分組 (groupby) 的任務，如計算某公司各部門的人數，計算各部門男女平均工資，計算不同年代的員工的平均工資等等。在進行這類運算時，Pandas 提供了 groupby 函式，大多數問題它都可以解決，但有一些問題使用 groupby 函式會略顯麻煩，下面我們就這些問題展開細緻的討論。
groupby 是 pandas 中非常重要的一個函式, 主要用於資料分類和聚合計算. 其思想是“split-apply-combine”（拆分 - 應用 - 合併），如下圖：
分組原理圖
一、單列分組聚合
單列分組聚合是指把某一列作為鍵進行分組，然後對各組進行聚合運算。
它是上述分組原理的最簡單應用，比如根據員工資訊資料，計算各部門員工數。
問題分析：要計算各部門員工數，首先把部門作為鍵進行分組，然後對各組成員進行計數。
部分員工資訊資料如下：
| EID | NAME | SURNAME | GENDER | STATE | BIRTHDAY | HIREDATE | DEPT | SALARY |
| 1 | Rebecca | Moore | F | California | 1974/11/20 | 2005/3/11 | R&D | 7000 |
| 2 | Ashley | Wilson | F | New York | 1980/7/19 | 2008/3/16 | Finance | 11000 |
| 3 | Rachel | Johnson | F | New Mexico | 1970/12/17 | 2010/12/1 | Sales | 9000 |
| 4 | Emily | Smith | F | Texas | 1985/3/7 | 2006/8/15 | HR | 7000 |
| 5 | Ashley | Smith | F | Texas | 1975/5/13 | 2004/7/30 | R&D | 16000 |
| … | … | … | … | … | … | … | … | … |
Python程式碼
| import pandas as pdemployee = pd.read_csv(“Employees.csv”)dept_emp_num = employee.groupby(‘DEPT’)[‘DEPT’].count()print(dept_emp_num) | 讀取資料分組計數 |
討論：groupby(‘DEPT’) 將資料按照部門分組， count() 函式進行計數。
二、多列分組聚合
多列分組聚合是指把多列的值同時作為鍵進行分組，然後對各組進行聚合運算。
它和單列分組聚合類似，只是分組的鍵是多列組合而已。如根據員工資訊資料，計算各部門男女員工的平均工資。
繼續使用上例中的員工資訊資料
問題分析：需要分組的鍵有兩個，分別是部門和性別，只要把他們組合起來看作是一個鍵，然後當做單列分組聚合即可。
Python 程式碼
| import pandas as pdemployee = pd.read_csv(“Employees.csv”)dept_gender_salary = employee.groupby([‘DEPT’,’GENDER’],as_index=False).SALARY.mean()print(dept_gender_salary) | 多列分組再聚合 |
討論：groupby([‘DEPT’,’GENDER’])，分組的兩列以列表的形式作為引數，as_index 表示是否把分組列作為索引，True 表示作為索引，這裡使用 False 表示不作為索引。使用 mean() 函式計算工資的平均值。
三、根據衍生列分組聚合
根據衍生列分組聚合，是指需要分組的鍵並不直接在資料中，需要根據資料計算出一列新資料，把它作為鍵對資料進行分組。如計算不同年代的員工的平均工資。
問題分析：員工資訊資料中並沒有年代這一列，因此需要根據員工的生日列計算出來，把它作為鍵對員工資料進行分組，然後再求工資均值。
Python 程式碼
| import pandas as pdimport numpy as npemployee = pd.read_csv(“Employees.csv”)employee[‘BIRTHDAY’]=pd.to_datetime(employee[‘BIRTHDAY’])years_salary = employee.groupby(np.floor((employee[‘BIRTHDAY’].dt.year-1900)/10)).SALARY.mean()print(years_salary) | 生日列轉換成日期格式計算衍生陣列並按此陣列分組，再計算平均工資 |
討論：年代資料在原資料中並不存在，使用 np.floor((employee[‘BIRTHDAY’].dt.year-1900)/10) 計算出衍生列表示年代，然後根據他分組並計算平均工資。
四、多個聚合
多個聚合，是指分組後對單列或者多列進行多種聚合。
（一） 多列單聚合
多列單聚合，指同時對多列聚合，但每列使用一種聚合方式。如：同時計算各部門員工的人數，平均工資。
問題分析：求員工人數可以對 EID 計數，求平均工資需要對工資列求均值，兩列聚合但每列只用一種聚合方式。
Python 程式碼
| import pandas as pdemployee = pd.read_csv(“Employees.csv”)dept_agg = employee.groupby(‘DEPT’,as_index=False).agg({‘EID’:’count’,’SALARY’:’mean’})print(dept_agg.rename(columns={‘EID’:’NUM’,’SALARY’:’AVG_SALARY’})) | 分組並對 EID 計數，對 SALARY 求平均重新命名列名 |
討論：Pandas 的 agg()函式可以完成這類任務，各列以及各列的聚合方式以字典的形式作為引數傳入 agg()，聚合的列作為字典的鍵，聚合方式作為字典的值，從而完成聚合運算。
（二） 單列多聚合
單列多聚合，指只對一列聚合，但聚合的方式有多種。如上述問題也可以直接對工資計數並求平均，此時是對工資進行了兩種聚合——計數和平均。
Python 程式碼
| import pandas as pdemployee = pd.read_csv(“Employees.csv”)dept_agg = employee.groupby(‘DEPT’).SALARY.agg([‘count’,’mean’]).reset_index()print(dept_agg.rename(columns={‘count’:’NUM’,’mean’:’AVG_SALARY’})) | 對 SALARY 計數並求平均重新命名列名 |
討論：如果是單列的不同聚合方式，則可以把聚合方式進行組合以列表的形式作為引數傳入 agg()。
（三） 多列多聚合
多列多聚合，指對多列聚合同時也包含單列多聚合的組合聚合方式。聚合方式還可以是自己定義的函式，
如：計算各部門員工人數，平均工資和最大年齡。
問題分析：計算員工人數和平均工資，是對工資列計數並求平均（單列多聚合），求最大年齡，需對生日列使用自定義的函式計算出最大年齡。
Python 程式碼
| import pandas as pdimport datetimedef max_age(s): today = datetime. datetime.today().year age = today-s.dt.year return age.max()employee = pd.read_csv(“Employees.csv”)employee[‘BIRTHDAY’]=pd.to_datetime(employee[‘BIRTHDAY’])dept_agg = employee.groupby(‘DEPT’).agg({‘SALARY’:[‘count’,’mean’],’BIRTHDAY’:max_age})dept_agg.columns = [‘NUM’,’AVG_SALARY’,’MAX_AGE’]print(dept_agg.reset_index()) | 函式：求最大年齡年份求年齡按 DEPT 分組，根據 SALARY 計數和求均值，BIRTHDAY 使用 max_age 計算最大年齡修改列名 |
討論：這種情況，聚合列和聚合方式還是按照字典的方式傳入，但當某一列需要多種聚合方式時，則需要將其組合，以列表的形式作為字典的值。
五、分組聚合值複製
分組聚合值複製，指把分組聚合的結果轉換成與該組等長的列，相當於把聚合的結果複製到該組的所有行。如：為員工資訊資料新增一列各部門的平均工資。
問題分析：各部門的平均工資需要按照部門分組再對工資求平均，把平均工資的值新增到對應的組，並保持資料原序。
Python 程式碼
| import pandas as pdemployee = pd.read_csv(“Employees.csv”)employee[‘AVG_SALARY’] = employee.groupby(‘DEPT’).SALARY.transform(‘mean’)print(employee) | 按照 DEPT 分組並對 SALARY 求平均 |
討論：按照部門分組後，對工資求均值。transform() 函式在組內求聚合值後會按照原索引的順序返回結果，可以自動按照索引新增結果，從而保證原資料順序不變。
六、分組子集處理
分組應用：指分組後對各組進行一些非聚合運算。比如分組排序，分組後不再關心聚合的結果，而是關心組內記錄的順序。如：將各部門按照入職時間從早到晚進行排序 。
問題分析：按照部門分組後，不再關心分組後的聚合結果，而是關心員工的入職時間順序。分組後，對各組進行迴圈同時對組內成員按照入職時間排序就可以了。
Python 程式碼
| import pandas as pdemployee = pd.read_csv(“Employees.csv”)employee[‘HIREDATE’]=pd.to_datetime(employee[‘HIREDATE’])employee_new = employee.groupby(‘DEPT’,as_index=False).apply(lambda x:x.sort_values(‘HIREDATE’)).reset_index(drop=True)print(employee_new) | 修改入職時間格式按 DEPT 分組，並對各組按照 HIREDATE 排序，最後重置索引 |
討論：分組後需要對組內成員排序，可以使用 apply()函式結合 lambda 的方式，其中 lambda 表示式是對各組迴圈，使用 sort_values() 函式在組內部再排序，返回組內排序的結果。
簡單的運算使用 lambda 函式計算，但有時會遇到比較複雜的計算，如：計算各部門年齡最大的員工和年齡最小的員工的工資差。
問題分析：首先需按照部門分組，分組後還需要找到年齡最大的員工和年齡最小的員工的記錄，然後才能計算工資差。
Python 程式碼
| import pandas as pddef salary_diff(g): max_age = g[‘BIRTHDAY’].idxmin() min_age = g[‘BIRTHDAY’].idxmax() diff = g.loc[max_age][‘SALARY’]-g.loc[min_age][‘SALARY’] return diffemployee = pd.read_csv(“Employees.csv”)employee[‘BIRTHDAY’]=pd.to_datetime(employee[‘BIRTHDAY’])salary_diff = employee.groupby(‘DEPT’).apply(salary_diff)print(salary_diff) | 函式：計算各組工資差年齡最大的索引年齡最小的索引計算工資差按 DEPT 分組並使用自定義函式計算 |
討論：使用 apply()結合自定義函式的方式。其中 apply() 會把分組的結果作為引數傳入自定義函式。salary_diff() 函式是自定義函式，g 實質上就是 pandas 的 DataFrame 格式的資料框，這裡是分組的結果。對它計算最大年齡和最小年齡的索引後，找到工資欄位計算差即得到結果。
思考：
由上述討論可見，熟練掌握 Pandas 的這些 groupby 方法對我們進行資料分析是特別有幫助的。
下面我們以 stack overflow 網站上的一些實際問題來進一步瞭解 groupby。
七、按位置分組
按位置分組，指不以某列作為鍵分組，而是以記錄的位置作為鍵來分組。比如將資料每三行分到相同組或者按照位置分成奇數位置一組，偶數位置一組等。舉例如下：
source: https://stackoverflow.com/questions/59110612/pandas-groupby-mode-every-n-rows
資料片段如下：
time a b
0 0.5 -2.0
1 0.5 -2.0
2 0.1 -1.0
3 0.1 -1.0
4 0.1 -1.0
5 0.5 -1.0
6 0.5 -1.0
7 0.5 -3.0
8 0.5 -1.0
希望每三行分成一組，並把眾數作為該組的結果。理想的結果如下：
time a b
2 0.5 -2.0
5 0.1 -1.0
8 0.5 -1.0
問題分析：該問題的分組與現有的列沒有關係，只與位置相關，因此需要衍生出一列作為分組依據，按位置做整數乘法即得到衍生列，然後據此分組即可。
Python 程式碼
| import pandas as pdimport numpy as npdata = pd.read_csv(“group3.txt”,sep=’\t’)res = data.groupby(np.arange(len(data)) // 3).agg(lambda x: x.mode().iloc[-1])print(res) | 按照衍生列分組，使用 agg 結合 lambda 的方式得到眾數，取各組各列的最後 1 個眾數作為結果 |
討論：衍生列計算方式為 np.arange(len(data)) // 3，其結果是 [0 0 0 1 1 1 2 2 2]，把它作為鍵進行分組就可以把資料分成每三行一組。而 agg(lambda x: x.mode()) 則是將各組的各列分別求眾數，如第一組 time 的眾數為 [0,1,2] 而 a 和 b 的眾數分別是 [0.5] 和[-2.0]分別取最後 1 個眾數 iloc[-1]即得到想要的結果。
八、值變化分組
值變化分組，指在有序的資料中，發生資料變化時就分出一個新組。舉例如下：
source: https://stackoverflow.com/questions/41620920/groupby-conditional-sum-of-adjacent-rows-pandas
資料片段如下：
duration location user0 10 house A
1 5 house A
2 5 gym A
3 4 gym B
4 10 shop B
5 4 gym B
6 6 gym B
按照 user 分組後，各組當 location 連續相同時對 duration 進行求和，location 變化時則重新求和。理想結果如下：
duration location user
15 house A
5 gym A
4 gym B
10 shop B
10 gym B問題分析：location 列的順序很重要，連續相同時可以視為一組，當變化時則重新分一組，如 user=B 時，第 4 行 (索引為 3) 的 location 為 [gym,shop,gym,gym], 不可以把其中的 3 個 gym 分到 1 組，而應該把第一個 gym 單獨作為 1 組，shop 與 gym 不同，值發生了變化，把 shop 分到下一組，後面兩個 gym 沒有值變化，可以分到同一組，分組的結果為[[gym],[shop],[gym,gym]]，所以這裡不可以使用 df.groupby([‘user’,’location’]).duration.sum() 來計算結果，而是要想辦法生成一個衍生列作為分組依據。
程式碼如下：
| import pandas as pddf = pd.DataFrame({‘user’ : [‘A’, ‘A’, ‘A’, ‘B’, ‘B’, ‘B’,’B’], ‘location’ : [‘house’,’house’,’gym’,’gym’,’shop’,’gym’,’gym’], ‘duration’:[10,5,5,4,10,4,6]})derive = (df.location != df.location.shift()).cumsum()res = df.groupby([‘user’, ‘location’, derive], as_index=False, sort=False)[‘duration’].sum()print(res) | 生成資料創造衍生列按照 user,location 和衍生列分組，對 duraton 求和 |
討論：衍生列 derive 是當 location 與前者不同時進行累加，得到 [1 1 2 2 3 4 4]。然後按照 user，location 和該數列分組，再對 duration 求和。
九、條件變化分組
條件變化分組：指在有序的資料中，當滿足某一條件時重新分組。舉例如下：
source: https://stackoverflow.com/questions/62461647/choose-random-rows-in-pandas-datafram
資料片段如下:
ID code
333_c_132 x
333_c_132 n06
333_c_132 n36
333_c_132 n60
333_c_132 n72
333_c_132 n84
333_c_132 n96
333_c_132 n108
333_c_132 n120
999_c_133 x
999_c_133 n06
999_c_133 n12
999_c_133 n24
998_c_134 x
998_c_134 n06
998_c_134 n12
998_c_134 n18
998_c_134 n36
997_c_135 x
997_c_135 n06
997_c_135 n12
997_c_135 n24
997_c_135 n36
996_c_136 x
996_c_136 n06
996_c_136 n12
996_c_136 n18
996_c_136 n24
996_c_136 n36
995_c_137 x
希望從 code 列的每兩個 x 中間隨機取一行
理想結果形式如下：
333_c_132 n06
999_c_133 n12
998_c_134 n18
997_c_135 n36
996_c_136 n18
問題分析：取兩個 x 之間的隨機一條記錄，可以轉化成每當 code 等於 x 時開始新的一組，不等於 x 時分組不變，然後從該組中隨機取一行。因此這裡還是需要生成衍生列，把它作為鍵分組才能完成任務。
程式碼如下：
| import pandas as pddf = pd.read_csv(“data.txt”)derive = df.code.eq(‘x’).cumsum()res=df[df.code.ne(‘x’)].groupby(derive).apply(lambda x : x.sample(1))res=res.reset_index(level=0, drop=True)print(res) | 生成衍生列根據衍生列分組，使用 apply 結合 lambda 的方式隨機抽樣重置索引 |
討論：code.eq(x) 表示 code 等於 x 時為 True，其餘為 False，cumsum()表示對其累加，生成的衍生列為 [1 1 1 1 1 1 1 1 1 2 2…]，過濾掉等於 x 的列再根據該列進行分組並抽樣即可。
思考：
前面所有的例子都是將原集合根據某個條件，將資料劃分成若干個子集，且滿足以下兩點：
1）沒有空子集
2）原集合的任何成員都屬於且只屬於某一個子集
我們稱這種劃分方式為完全劃分。那麼有沒有不完全劃分呢？
來看下面這幾個例子
十、對位分組
對位分組，指先羅列出一個基準集合，然後將待分組集合成員的某個屬性（欄位或表示式）與基準集合成員比較，相同者則分到一個子集中，最後拆分出來的子集數量和基準集合成員數是相同的。對位分組有三個特點：
1）可能出現空子集（比如基準集合的某些成員在待分組集合中並不存在）；
2）可能有待分組集合成員未被分到任何子集（比如有些不重要的成員未被列入基準集合）；
3）每個成員最多隻出現在一個子集中。
（一）出現空子集
公司統計各部門男女人數，如果某個部門沒有男員工或者沒有女員工，則將該部門的男員工人數或女員工人數填為 0。
問題分析：如果直接按照部門和性別分組，則如果某個部門沒有女員工或沒有男員工時，該部門將只被分成 1 組，就會丟失掉缺少的性別的統計資訊，因此不可以直接 groupby([‘DEPT’,’GENDER’])。很容易想到的方案就是，先按部門分組，羅列出 [男, 女] 的基準集合，使用左連線 (left join) 的方式與各組連線，再對連線後的結果按照性別分組，最後彙總結果，這樣就能保證分組的結果總會有 [男, 女] 了。
Python 程式碼
| import pandas as pddef align_group(g,l,by): d = pd.DataFrame(l,columns=[by]) m = pd.merge(d,g,on=by,how=’left’)return m.groupby(by,sort=False)employee = pd.read_csv(“Employees.csv”)l = [‘M’,’F’]res = employee.groupby(‘DEPT’).apply(lambda x:align_group(x, l, ‘GENDER’).apply(lambda s:s.EID.count()))print(res) | 函式，對位分組生成對照的 dataframe利用 merge 完成對位運算分組指定序列按 DEPT 分組，再對各組使用函式對位分組，對 EID 進行計數 |
討論：
自定義函式 align_group，使用 merge()函式完成羅列集合與待分組集合的 left join，再按 merge 的列進行分組。按部門分組後，使用 apply() 結合 lambda 表示式的方式對每組使用自定義函式對位分組，最後對 EID 列計數得到最終結果。（注意：這裡不可以對 GENDER 計數，因為 merge 時 GENDER 的成員都被保留了，如果有空子集時，對它計數結果將是 1，而其他列（比如 EID）, 在 left join 時會是空值，所以對 EID 計數結果是 0）。
（二）有待分組集合成員未被分到任何子集
按指定的部門 [‘Administration’, ‘HR’, ‘Marketing’, ‘Sales’] 分組，只查詢這幾個部門的人數且部門先後順序保持不變。
問題分析：與出現空子集的情況類似，此時也可以使用 left join 的方式，將不在預先羅列的集合成員排除掉，只保留羅列集合中的成員。
程式碼如下：
| import pandas as pddef align_group(g,l,by): d = pd.DataFrame(l,columns=[by]) m = pd.merge(d,g,on=by,how=’left’) return m.groupby(by,sort=False)employee = pd.read_csv(“Employees.csv”)sub_dept = [‘Administration’, ‘HR’, ‘Marketing’, ‘Sales’]res = align_group(employee,sub_dept,’DEPT’).apply(lambda x:x.EID.count())print(res) | 函式，對位分組指定順序的部門子集使用對位分組函式分組，再對 EID 計數 |
討論：Pandas 不直接支援對位分組的功能，因此完成起來成本就會比較高，而且使用 merge 函式也會導致執行效率低下。
十一、列舉分組
列舉分組：事先指定一組條件，將待分組集合的成員作為引數計算這批條件，條件成立者被劃分到與該條件對應的一個子集中，結果集的子集和事先指定的條件一一對應。列舉分組的特點：允許集合成員重複出現在不同的子集中。
舉例如下：
按在公司的工齡將員工分組統計每組的男女員工人數（分組條件重合時，列出所有滿足條件的員工，分組的條件是 [工齡 <5 年，5 年 <= 工齡 <10 年，工齡 >=10 年，工齡 >=15 年]）
問題分析：工齡 >=10 年和工齡 >=15 年兩個條件有重複的區間，即工齡大於 15 年的員工，其工齡也一定大於 10 年，這時如果使用構造衍生列的方式來完成，將無法使同一個成員重複出現在兩個分組中，因此需要考慮每個條件都分一次組，然後找出滿足條件的組，最後再彙總。
| import pandas as pdimport datetimedef eval_g(dd:dict,ss:str): return eval(ss,dd) emp_file = ‘E:\txt\employee.txt’emp_info = pd.read_csv(emp_file,sep=’\t’)employed_list = [‘Within five years’,’Five to ten years’,’More than ten years’,’Over fifteen years’]employed_str_list = [“(s<5)”,”(s>=5) & (s<10)”,”(s>=10)”,”(s>=15)”]today = datetime.datetime.today().yeararr = pd.to_datetime(emp_info[‘HIREDATE’])employed = today-arr.dt.yearemp_info[‘EMPLOYED’]=employeddd = {‘s’:emp_info[‘EMPLOYED’]}group_cond = []for n in range(len(employed_str_list)): emp_g = emp_info.groupby(eval_g(dd,employed_str_list[n])) emp_g_index = [index for index in emp_g.size().index] if True not in emp_g_index: female_emp=0 male_emp=0 else: group = emp_g.get_group(True) sum_emp = len(group) female_emp = len(group[group[‘GENDER’]==’F’]) male_emp = sum_emp-female_emp group_cond.append([employed_list[n],male_emp,female_emp])group_df = pd.DataFrame(group_cond,columns=[‘EMPLOYED’,’MALE’,’FEMALE’])print(group_df) | 函式，字串轉表示式分組條件計算入職時間迴圈分組條件按分組條件分組分組索引如果沒有滿足條件的成員男女員工數為 0滿足條件獲取分組計算男女員工人數彙總各個分組條件的計算結果 |
討論：EMPLOYED 是根據入職時間 HIREDATE 新增加的一列，表示工齡。自定義函式 eval_g()，是把分組的條件轉換成表示式，比如當條件是 s<5 時，eval_g（dd,ss）的表示式就是 emp_info[‘EMPLOYED’]<5，根據這個衍生列來對資料分組。對分組條件進行迴圈，按該衍生列分成兩組，get_group(True) 表示取滿足條件的組，最後把所有滿足條件的結果使用 concat() 函式彙總。
總結
Python 在進行分組處理時，多數情況可以比較優雅的處理，但在處理有序分組時，如值變化分組、條件變化分組時則需要自己想辦法生成滿足分組條件的衍生列，略顯麻煩。對位分組和列舉分組的兩種情況更是糟糕，需要自己想辦法去繞，要麼使用 merge 運算，要麼多次分組，使分組的成本變得很高，這樣看來，Pandas 的分組運算還有其侷限性。
對於分組運算，相比之下，esProc SPL 處理的更完善。 esProc 是專業的資料計算引擎，SPL 提供了豐富的分組運算，可以方便的完成上述任務，程式碼風格的一致程度也更好。
兩個分組運算函式 groups()和 group()，分別實現分組聚合和分組子集，可以比 Python 更簡潔地解決前面六個常規分組問題：
| 問題 | SPL程式碼 | 簡單說明 |
| 一 | A.groups(DEPT;count():NUM) | A是資料表，按 DEPT 分組，count() 計數 |.avg(SALARY),
| 二 | A.groups(DEPT,GENDER;avg(SALARY):AVG_SALARY) | 按 DEPT,GENDER 分組，avg() 平均 |
| 三 | A.groups((year(BIRTHDAY)-1900)\10:years;avg(SALARY):AVG_SALARY) | (year(BIRTHDAY)-1900)\10命名為 years，並分組 |
| 四 | A.groups(DEPT;count(EID):NUM,avg(SALARY):AVG_SALARY) | 多列單聚合 |
| A.groups(DEPT;count(SALARY):NUM,avg(SALARY):AVG_SALARY) | 單列多聚合 |
| A.groups(DEPT;count(SALARY):NUM,avg(SALARY):AVG_SALARY,max(age(BIRTHDAY)):MAX_AVG) | 多列多聚合 |
| 五 | B=A.derive(AVG_SALARY)>B.group(DEPT).((a=.run(AVG_SALARY=a))) | 增加新列修改為分組的聚合值 |.sort(HIREDATE)) | 分組排序 |
| 六 | A.group(DEPT).conj(
| A.group(DEPT;(ma=.minp(BIRTHDAY),mi=.maxp(BIRTHDAY),ma.SALARY-mi.SALARY):SALARY_DIF) | 分組子集運算 |
對於這六個簡單分組計算，Python 的分組計算方法同樣方便。但涉及了很多其他函式，如 agg，transform，apply，lambda 表示式甚至是自定義函式等等，程式碼風格差別比較大。而 SPL 則基本保持了 groups(x;y) 或者是 group(x).(y) 這樣統一的程式碼風格。
對於問題七、八、九，Python 就略顯煩瑣，需想辦法生成衍生列，而 SPL 本身基於有序集合設計，提供了有序分組的選項，仍可以優雅的保持簡單運算時的程式碼風格。
| 問題 | SPL程式碼 | 簡單說明 |
| 七 | A.groups@n((#-1)\3;y) | 每三行分 1 組，y 是聚合運算表示式 |
| 八 | A.groups@o(user,location;y) | @o選項：值變化分組 |
| 九 | A.group@i(code==”x”).(y) | @i選項：條件變化分組 |
根據分組後直接聚合還是分組後針對子集計算，靈活選擇 groups 和 group 函式。
最後兩個問題，對位分組和列舉分組，確實有點難為 Python 了，不過不管是使用 merge 函式繞還是多次分組，總算是完成了任務。而 SPL 提供了專門的對位分組函式 align()和列舉分組函式 enum()，可以繼續優雅。
| 問題 | SPL分組處理 | 簡單說明 |
| 十 | s=[“M”,”F”]A.group(DEPT).(~.align@a(s,GENDER).(y)) | 可能出現空子集 |
| s=[“Administration”, “HR”, “Marketing”, “Sales”]A.align@a(s,DEPT).(y) | 有待分組集合成員未被分到任何子集 |
| 十一 | c=[“?<5”,”?>=5 && ?<10”,”?>=10”,”?>=15”]A.enum(c, EMPLOYED) | 有成員被分到不同子集 |
需要提到的是，Python 還有一個致命缺點——大資料（無法一次性讀入記憶體）分組，它涉及到外存讀寫和 hash 分組，對於非專業的程式設計師來說，使用 Python 完成這個任務幾乎是不可能的。有興趣可以參考以下文章：
這裡介紹了 Python 處理大資料存在的問題（包括大資料分組），也簡單介紹了 esProc SPL 中的遊標系統，其中 group 和 groupx() 函式仍然可以優雅的完成大資料分組任務。
本作品採用《CC 協議》，轉載必須註明作者和本文連結