小编点评

**场景 1：成绩统计** ```python import pandas as pdimport numpy as npdf = pd.DataFrame( np.random.randint(60, 100, (4, 3))) df.columns = [\"语文\", \"数学\", \"英语\"] df.index = [\"学生\"+s for s in list("ABCD\")] # 计算每个学生的各科总分和平均分，并合并到原数据中 sum = df.sum(axis=1) mean = df.mean(axis=1) df[\"总分\"] = sumdf[\"平均分\"] ``` **场景 2：订单统计** ```python import pandas as pdimport numpy as npdf = pd.DataFrame( { \"id\": [1, 1, 2, 3, 3, 3], \"product\": [\"苹果\", "香蕉", "手机", "冰箱", "电视", "空调\"], \"price\": [24, 15, 2000, 8000, 5500, 7800], }) # 按订单号统计每个订单的总价 df.groupby(\"id\").price.sum() ```

正文

这次介绍的小技巧不是统计，而是把统计结果作为新列和原来的数据放在一起。
pandas的各种统计功能之前已经介绍了不少，但是每次都是统计结果归统计结果，原始数据归原始数据，
没有把它们合并在一个数据集中来观察。

下面通过两个场景示例来演示如果把统计值作为新列的数据。

1. 成绩统计的场景

成绩统计及其类似的场景比较常见，也就是把每行统计的结果作为该行的一个新列。
比如：

import pandas as pd
import numpy as np

df = pd.DataFrame(
    np.random.randint(60, 100, (4, 3))
)
df.columns = ["语文", "数学", "英语"]
df.index = ["学生"+s for s in list("ABCD")]
df

统计每个学生的各科总分和平均分，然后作为新的列合并到原数据中。

sum = df.sum(axis=1)
mean = df.mean(axis=1)

df["总分"] = sum
df["平均分"] = mean
df

这样可以更全面的查看每个学生的学习情况。

2. 订单统计的场景

订单统计的这个示例稍微复杂点，因为一个订单ID可能包含多个物品，
按订单ID来统计每个订单合计信息时，不能简单的像上面的统计成绩那样直接计算按行统计。

df = pd.DataFrame(
    {
        "id": [1, 1, 2, 3, 3, 3],
        "product": ["苹果", "香蕉", "手机",
                    "冰箱", "电视", "空调"],
        "price": [24, 15, 2000, 8000, 
                  5500, 7800],
    }
)

df

如上所示，总共有3个订单，根据订单号统计每个订单的总价如下：

df.groupby("id").price.sum()

得到每个订单ID对应的总价格，但是合计信息只有3行，而原来的数据是6行，无法直接合并到原数据。

这种情况下，我们需要用pandas里的transform函数。
transform函数分组统计之后，会保持原来的行数。

df["总价"] = df.groupby("id").price.transform("sum")
df

相同的订单ID，统计的总价是一样的。
把总价的信息附加在订单的每个具体物品之后，
还可以基于此统计出同一个订单中每个物品价格所占总价的百分比。

df["百分比"] = df.price / df["合计"]
df

总之，统计值作为新的列，不仅可以更好的比较和观察原始数据和统计值，
还可以基于新的统计列，再统计出其他的信息。