Agrupaciones y Agregaciones

Banner del Curso

Introducción

Una de las operaciones más comunes en análisis de datos es agrupar por una o más variables y luego aplicar funciones de agregación, como sumas, promedios o conteos. En Polars, esto se realiza utilizando los métodos groupby() y agg() sobre DataFrame o LazyFrame.

En este capítulo profundizaremos en cómo usar estas funciones de forma eficiente y expresiva, incluyendo múltiples agregaciones, alias, condiciones y expresiones personalizadas.

Estructura básica

df.groupby("columna").agg([
    pl.col("otra_columna").sum()
])

Esto agrupa por "columna" y suma los valores de "otra_columna".

Ejemplo práctico

import polars as pl

df = pl.DataFrame({
    "cliente": ["Ana", "Luis", "Ana", "Luis", "Pedro"],
    "monto": [100, 250, 300, 400, 150],
    "producto": ["A", "B", "A", "C", "B"]
})

df.groupby("cliente").agg([
    pl.col("monto").sum().alias("total"),
    pl.count().alias("compras")
])

Agrupaciones múltiples

Puedes agrupar por más de una columna:

df.groupby(["cliente", "producto"]).agg([
    pl.col("monto").mean().alias("promedio_monto")
])

Varias agregaciones sobre la misma columna

df.groupby("cliente").agg([
    pl.col("monto").sum(),
    pl.col("monto").mean(),
    pl.col("monto").max()
])

Agregaciones condicionales

Puedes usar expresiones condicionales dentro de una agregación:

df.groupby("cliente").agg([
    (pl.when(pl.col("monto") > 200)
       .then(1)
       .otherwise(0)
    ).sum().alias("compras_altas")
])

Esto cuenta cuántas compras superaron los 200 por cliente.

Agrupación sobre múltiples columnas dinámicamente

Con pl.all() puedes aplicar una operación a todas las columnas (excepto las agrupadas):

df.groupby("producto").agg([
    pl.all().sum()
])

También puedes excluir columnas:

df.groupby("producto").agg([
    pl.exclude("cliente").mean()
])

Agregaciones con funciones personalizadas

Puedes aplicar funciones definidas por ti:

def rango(col):
    return col.max() - col.min()

df.groupby("cliente").agg([
    rango(pl.col("monto")).alias("rango_montos")
])

Uso en LazyFrame

La sintaxis es la misma, pero recuerda finalizar con .collect():

df.lazy().groupby("cliente").agg([
    pl.col("monto").sum()
]).collect()

Buenas prácticas

Usa .alias() para nombrar las columnas agregadas de forma clara.
Evita calcular varias veces la misma expresión (reutiliza con alias()).
Prefiere agrupar por múltiples columnas si existen relaciones jerárquicas (cliente + producto).
En modo lazy, agrupar primero puede mejorar la eficiencia si reduces el volumen de datos temprano.

Referencias útiles

Conclusión

Las operaciones de agrupación y agregación en Polars son extremadamente expresivas y eficientes, tanto en modo eager como lazy. Su integración con expresiones permite construir análisis complejos con un código claro y conciso.

Dominar groupby() + agg() es fundamental para todo trabajo de análisis exploratorio, reporting y preparación de datos para machine learning.