一、题目

Queries 表： 

+-------------+---------+
| Column Name | Type    |
+-------------+---------+
| query_name  | varchar |
| result      | varchar |
| position    | int     |
| rating      | int     |
+-------------+---------+
此表可能有重复的行。
此表包含了一些从数据库中收集的查询信息。
“位置”（position）列的值为 1 到 500 。
“评分”（rating）列的值为 1 到 5 。评分小于 3 的查询被定义为质量很差的查询。

将查询结果的质量 quality 定义为：

各查询结果的评分与其位置之间比率的平均值。

将劣质查询百分比 poor_query_percentage 定义为：

评分小于 3 的查询结果占全部查询结果的百分比。

编写解决方案，找出每次的 query_name 、 quality 和 poor_query_percentage。

quality 和 poor_query_percentage 都应 四舍五入到小数点后两位 。

以 任意顺序 返回结果表。

结果格式如下所示：

示例 1：

输入：
Queries table:
+------------+-------------------+----------+--------+
| query_name | result            | position | rating |
+------------+-------------------+----------+--------+
| Dog        | Golden Retriever  | 1        | 5      |
| Dog        | German Shepherd   | 2        | 5      |
| Dog        | Mule              | 200      | 1      |
| Cat        | Shirazi           | 5        | 2      |
| Cat        | Siamese           | 3        | 3      |
| Cat        | Sphynx            | 7        | 4      |
+------------+-------------------+----------+--------+
输出：
+------------+---------+-----------------------+
| query_name | quality | poor_query_percentage |
+------------+---------+-----------------------+
| Dog        | 2.50    | 33.33                 |
| Cat        | 0.66    | 33.33                 |
+------------+---------+-----------------------+
解释：
Dog 查询结果的质量为 ((5 / 1) + (5 / 2) + (1 / 200)) / 3 = 2.50
Dog 查询结果的劣质查询百分比为 (1 / 3) * 100 = 33.33

Cat 查询结果的质量为 ((2 / 5) + (3 / 3) + (4 / 7)) / 3 = 0.66
Cat 查询结果的劣质查询百分比为 (1 / 3) * 100 = 33.33

二、知识点(grouped)

    grouped 是 groupby() 方法的返回值，代表分组后的中间对象，grouped 将原始数据按指定键拆分成多个子数据集，接着对每个子数据集执行相同的操作（如计算平均值、求和等）。可以对分组做聚合计算、复杂计算、数据过滤、数据清洗。例如：

（1）聚合操作agg() （计算统计量）

通过 agg() 或直接调用聚合函数（如 mean()、sum()、count() 等），对每个分组计算单一结果：

# 计算每个分组的 rating 平均值
grouped['rating'].mean()

# 对每个分组同时计算多个统计量
grouped['position'].agg(['mean', 'sum', 'count'])

（2）应用自定义函数 apply()

通过 apply() 对每个分组应用自定义函数（如你的代码中计算 quality， x 就是每个分组对应的子 DataFrame，如 query_name='Dog' 的所有行。）：

# 对每个分组应用 lambda 函数，计算 (rating/position) 的平均值
grouped.apply(lambda x: (x['rating'] / x['position']).mean())

（3）转换操作（transform()）

对每个分组的数据进行转换（如标准化、填充缺失值等），返回与原始数据长度相同的结果：

# 对每个分组的 rating 进行标准化（减去均值除以标准差）
grouped['rating'].transform(lambda x: (x - x.mean()) / x.std())

（4）过滤操作（filter()）

根据分组的统计量筛选分组（保留满足条件的组的所有原始数据行）：

# 保留数据量大于 3 的分组
grouped.filter(lambda x: len(x) > 3)

grouped 就像一个 "数据分组管理器"，帮助你批量处理具有相同特征（如相同 query_name）的数据子集。

三、答案

 grouped = queries.groupby('query_name')
    # 计算 quality：(rating/position) 的平均值，保留两位小数

    # x代表分组内的子数据集
    # 将分组的索引（query_name）转换为普通列，name='quality'：为 Series 的值列指定名称 quality
    quality = grouped.apply(
        lambda x: (x['rating'] / x['position']).mean()
    ).round(2).reset_index(name='quality')
    
    # 计算 poor_query_percentage：劣质查询占比，保留两位小数
    poor_percent = grouped.apply(
        lambda x: (x['rating'] < 3).mean() * 100
    ).round(2).reset_index(name='poor_query_percentage')
    # 合并结果
    result = pd.merge(quality, poor_percent, on='query_name')
    return result

reset_index(name='poor_query_percentage') 的作用

• reset_index()：将 Series 的索引（query_name）从索引位置「还原」成普通列，同时生成一个新的默认整数索引（0, 1, 2...）。
• name='poor_query_percentage'：为 Series 原本的「值列」指定列名。因为分组计算后的值在 Series 中是没有列名的，name 参数就是给这一列命名为 poor_query_percentage。