Practical Program: Data Aggregation in Python

This program demonstrates data aggregation using Pandas to analyze a dataset. Aggregation operations such as `sum`, `mean`, `count`, and `max` is applied to group and summarize the data.

Scenario: Sales Analysis  

We have a dataset of sales transactions for multiple regions, products, and salespersons. The goal is to aggregate and analyze the data to extract insights.

Code Implementation

import pandas as pd

# Sample dataset

data = {

    'Region': ['North', 'North', 'South', 'South', 'East', 'East', 'West', 'West'],

    'Salesperson': ['Alice', 'Bob', 'Alice', 'Charlie', 'Eva', 'David', 'Frank', 'Grace'],

    'Product': ['A', 'A', 'B', 'B', 'C', 'C', 'D', 'D'],

    'Sales': [200, 300, 400, 500, 250, 450, 600, 550],

    'Units_Sold': [10, 15, 20, 25, 12, 18, 30, 28],

    'Month': ['Jan', 'Jan', 'Feb', 'Feb', 'Mar', 'Mar', 'Apr', 'Apr']

}

# Create a DataFrame

df = pd.DataFrame(data)

print("Original Data:")

print(df)

# --- 1. Group by Region and Aggregate Sales and Units Sold ---

region_agg = df.groupby('Region').agg({

    'Sales': 'sum',

    'Units_Sold': ['sum', 'mean']

})

print("\nAggregated Sales and Units Sold by Region:")

print(region_agg)

# --- 2. Group by Product and Find Total Sales and Maximum Units Sold ---

product_agg = df.groupby('Product').agg({

    'Sales': 'sum',

    'Units_Sold': 'max'

})

print("\nTotal Sales and Max Units Sold by Product:")

print(product_agg)

# --- 3. Group by Region and Product for Combined Analysis ---

region_product_agg = df.groupby(['Region', 'Product']).agg({

    'Sales': 'sum',

    'Units_Sold': 'mean'

})

print("\nSales and Average Units Sold by Region and Product:")

print(region_product_agg)

# --- 4. Aggregate Data by Salesperson ---

salesperson_agg = df.groupby('Salesperson').agg({

    'Sales': ['sum', 'max'],

    'Units_Sold': ['mean', 'count']

})

print("\nSales and Units Sold Aggregation by Salesperson:")

print(salesperson_agg)

# --- 5. Aggregate Data by Month ---

month_agg = df.groupby('Month').agg({

    'Sales': 'sum',

    'Units_Sold': 'sum'

})

print("\nMonthly Sales and Total Units Sold:")

print(month_agg)

# --- Optional: Resetting Index for Flattened Output ---

region_agg_reset = region_agg.reset_index()

print("\nFlattened Aggregated Data by Region:")

print(region_agg_reset)

Explanation of Code

1. Group by Single Column:

   - Aggregates data by `Region` or `Product` using multiple functions such as `sum` and `mean`.

2. Group by Multiple Columns:

   - Groups by both `Region` and `Product` for a detailed breakdown of sales and units sold.

3. Custom Aggregation:

   - Uses dictionaries to apply different aggregation functions to specific columns.

4. Advanced Aggregation:

   - Aggregates data by `Salesperson` and `Month` to analyze performance and monthly trends.

5. Reset Index:

   - Converts the hierarchical index into a flat data frame for easier readability.

Sample Output

Original Data:

   Region Salesperson Product  Sales      Units_Sold Month

0   North     Alice               A        200              10           Jan

1   North     Bob                 A        300              15           Jan

2   South      Alice              B        400              20           Feb

3   South      Charlie          B        500              25           Feb

4    East        Eva               C        250              12           Mar

5    East        David            C        450              18           Mar

6    West       Frank           D        600              30           Apr

7    West       Grace           D        550              28           Apr

Aggregated Sales and Units Sold by Region:

              Sales       Units_Sold           

              sum         sum       mean

Region                               

East      700            30          15.0

North     500          25          12.5

South     900          45           22.5

West     1150          58           29.0

Total Sales and Max Units Sold by Product:

                 Sales  Units_Sold

Product                    

A              500          15

B              900          25

C              700          18

D             1150          30

Sales and Average Units Sold by Region and Product:

                                       Sales      Units_Sold

Region Product                     

East           C                    700       15.0

North        A                    500       12.5

South         B                    900       22.5

West          D                   1150       29.0

Sales and Units Sold Aggregation by Salesperson:

                                Sales            Units_Sold       

                          sum  max       mean count

Salesperson                            

Alice                 600  400           15.0     2

Bob                   300  300           15.0     1

Charlie             500  500           25.0     1

David               450  450           18.0     1

Eva                   250  250           12.0     1

Frank               600  600           30.0     1

Grace               550  550           28.0     1

Monthly Sales and Total Units Sold:

                  Sales      Units_Sold

Month                  

Apr             1150             58

Feb              900              45

Jan              500              25

Mar             700              30

Flattened Aggregated Data by Region:

  Region  Sales  Units_Sold_sum  Units_Sold_mean

0   East    700               30                       15.0

1  North    500              25                       12.5

2  South    900              45                       22.5

3   West   1150              58                       29.0

Applications of Data Aggregation

• Sales Analysis: Summarize sales by regions, products, or time periods.
• Performance Tracking: Monitor salesperson performance.
• Trend Analysis: Understand trends over months or quarters.
• Inventory Management: Aggregate units sold for forecasting.

This program demonstrates essential aggregation techniques for effective data summarization and insights extraction in Python.