第5章 数据聚合与分组运算

在数据分析的分组与聚合流程中，正确的执行顺序是：

当对 DataFrame 对象调用 groupby(by='key') 方法后，其返回值的类型通常是：

在 groupby() 方法中，参数 axis 的默认取值为 0，这代表：

如果想在分组聚合后的结果中，不让分组标签成为行索引，应如何设置 groupby() 的参 数？

关于 agg() 方法，以下描述错误的是：

如果需要对分组后的数据进行转换操作，且希望保持输出对象的形状与原对象一致，应优 先使用：

在使用字典作为 groupby(by=mapping_dict) 的拆分标准时，字典的“键”映射的是原对象 的：

当使用函数作为分组键时（例如 df.groupby(by=len)），该函数会被调用在：

在执行聚合运算（如 mean()）时，如果分组中存在缺失值 $NaN$，Pandas 的默认处理方 式是：

若想通过 GroupBy 对象直接获取名为 'Team_A' 的特定分组数据，应调用：

分组与聚合的流程中，“拆分”阶段是根据一定的标准将数据拆分为若干个 ______。

若 groupby() 方法的调用方是一个 Series 类对象，则返回值的类型是 ______。

在 groupby 方法中，参数 ______ 决定了是否对分组标签进行排序，其默认值为 True。

GroupBy 对象是一个 ______ 对象，意味着我们可以使用 for 语句对其进行遍历。

通过访问 GroupBy 对象的 ______ 属性，可以得到一个由分组名称作为键、对应索引列表 作为值的字典。

在 agg() 方法中，若要给应用的函数重命名，可以使用元组格式：(______, 函数名)。

极差（Range）是机器学习中常用的离散程度指标，其计算公式为 $R = ______ - ______$。

transform() 方法在处理包含非数值列的原始对象时，会 ______ 这些列，从而导致新对象 的形状可能发生变化。

______ 方法是分组操作中最灵活的方法，它既可以替代聚合，也可以实现复杂的转换逻 辑。

体质指数（BMI）是衡量人体肥胖程度的重要指标，其数学逻辑通常被定义为：$BMI = \frac{体重(kg)}{身高(m)^2}$，在案例分析中常用于构建新特征。

请简述 transform() 方法与 agg() 方法在数据预处理中的核心区别。

假设你有一个包含学生姓名索引的 DataFrame，如果调用 df.groupby(by=len)，请解释其 背后的分组逻辑及意义。

在机器学习模型训练前，我们经常需要对特征进行“组内标准化”（Group-wise Normalization）。请推导如何利用 $transform$ 思想将某特征 $x$ 转换为均值为 0、方差 为 1 的标准形式（写出公式）。

为什么说 apply() 方法是 groupby 运算中的“万能工具”？请列举至少两个它能胜任而 agg() 较难处理的场景。

任务：多指标特征提取 现有某电商销售数据 df，包含列：category (品类), sales (销售额), quantity (数量)。请编写代码 实现：按 category 分组，计算销售额的“总和”与“平均值”，同时计算数量的“最大值”。要求： 1. 使用 agg 方法。 2. 将生成的列名分别重命名为 total_sales, avg_sales, max_quantity。 任务：缺失值均值填充策略 在机器学习预处理中，直接用全局均值填充缺失值可能存在偏差。请利用 transform 方法编写一 个函数，实现：对 DataFrame 中的 score 列按 class_id 分组，并用各组内部的均值填充该组内 的缺失值。