当前位置:首页 > 文章列表 > 文章 > java教程 > JavagroupingBy分组统计详解

JavagroupingBy分组统计详解

2026-04-15 09:30:32 0浏览 收藏
本文深入浅出地讲解了Java中利用Collectors.groupingBy配合Stream API实现高效分组统计的核心技巧——从基础单层按字段分组计数,到多级嵌套分组(如先按部门再按姓名长度),再到结合counting()、summingDouble()、averagingDouble()、toList()等下游收集器完成多样化聚合分析,全面覆盖实际开发中常见的数据汇总需求,助你用简洁函数式代码替代冗长循环,轻松驾驭集合数据的智能分组与深度统计。

在Java中如何使用Collectors.groupingBy统计分组数据

在Java中,可以使用 Collectors.groupingBy 对集合中的数据按指定条件进行分组,并统计每组的数量或汇总信息。这个方法通常与 Stream API 配合使用,适合处理 List、Set 等集合类型的数据。

1. 基本语法和用法

Collectors.groupingBy 有三种常见重载形式:

  • groupingBy(Function):根据函数返回值分组,结果是 Map<分组键, List<元素>>
  • groupingBy(Function, Collector):在分组后对每组数据应用另一个收集器,比如 counting() 统计数量
  • groupingBy(Function, Supplier, Collector):可指定返回 Map 的类型(如 LinkedHashMap)

2. 按字段分组并统计数量

假设有一个员工类:

class Employee {
  private String department;
  private String name;
  // 构造函数、getter等省略
}

现在要按部门统计员工人数:

Map countByDept = employees.stream()
  .collect(Collectors.groupingBy(Employee::getDepartment, Collectors.counting()));

结果是一个 Map,key 是部门名,value 是该部门员工数量。

3. 多级分组(嵌套分组)

如果想先按部门分组,再在每个部门内按姓名长度分组:

Map>> result = employees.stream()
  .collect(Collectors.groupingBy(
    Employee::getDepartment,
    Collectors.groupingBy(emp -> emp.getName().length())
  ));

这会生成一个两级 Map:外层 key 是部门,内层 key 是名字长度。

4. 分组后做其他聚合操作

除了统计数量,还可以求和、取平均值等:

  • 统计每组人数:Collectors.counting()
  • 计算工资总和:Collectors.summingDouble(Employee::getSalary)
  • 获取每组员工名单:Collectors.toList()
  • 去重后名单:Collectors.toSet()

例如,统计每个部门的平均工资:

Map avgSalaryByDept = employees.stream()
  .collect(Collectors.groupingBy(
    Employee::getDepartment,
    Collectors.averagingDouble(Employee::getSalary)
  ));

基本上就这些。灵活组合 groupingBy 和下游收集器,能应对大多数分组统计场景。关键是理解函数式接口如何提取分组依据,以及如何嵌套使用收集器。

今天关于《JavagroupingBy分组统计详解》的内容就介绍到这里了,是不是学起来一目了然!想要了解更多关于的内容请关注golang学习网公众号!

查看Windows显卡DirectX版本方法查看Windows显卡DirectX版本方法
上一篇
查看Windows显卡DirectX版本方法
响应式图片优化技巧分享
下一篇
响应式图片优化技巧分享
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    268次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    319次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    304次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    281次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    98次使用