Python数据分组聚合实战：GroupBy技巧

Python的GroupBy操作看似简单，实则暗藏诸多易被忽视的“陷阱”：它返回的是延迟计算对象而非即时结果，agg()因列名或格式不规范频发KeyError，transform()与apply()在索引对齐和返回形状上截然不同，而NaN键更会默认被静默剔除——这些隐式行为恰恰是数据分组聚合中最常卡壳、最难调试的关键点，唯有亲手实践才能真正避开坑、用对方法。

GroupBy 为什么没返回结果，只看到 pandas.core.groupby.generic.DataFrameGroupBy ？

这是最常被卡住的第一步：调用 df.groupby("col") 本身不触发计算，它只是构建一个延迟计算的对象。你得接上聚合操作才会出数据。

• 常见错误：写了 grouped = df.groupby("category") 就以为分组完成了，直接 print 或试图取值，结果只看到对象类型
• 必须跟聚合方法，比如 grouped.sum() 、 grouped.mean() 、 grouped.agg({"price": "max", "qty": "sum"})
• 如果只想看分组结构，用 list(grouped.groups.keys()) 或 len(grouped) 查组数，别 print groupby 对象本身

用 agg() 同时对不同列做不同聚合，但报错 KeyError 或结果列名混乱

agg() 是最灵活也最容易写错的聚合入口。KeyError 通常是因为列名拼错或列不存在；列名混乱则多因传入字典格式不规范。

• 正确写法： df.groupby("region").agg({"sales": "sum", "profit": ["mean", "std"]}) —— 值可以是字符串、函数、或列表
• 错误写法： agg({"Sales": "sum"}) （大小写不匹配）、 agg([("sales", "sum")]) （旧式元组写法在新 Pandas 中已弃用）
• 想控制输出列名？改用命名元组： agg(sales_total=("sales", "sum"), profit_avg=("profit", "mean")) （Pandas ≥ 0.25）
• 注意：如果原始列含空格或特殊字符，必须用字符串键引用，不能用点号访问

分组后想保留原始索引或加回原表， transform() 和 apply() 怎么选？

transform() 强制要求返回与输入等长的结果，适合广播类操作； apply() 更自由，但默认会重置索引、可能丢行。

• 要新增一列“每组平均值”，用 df["group_mean"] = df.groupby("team")["score"].transform("mean") —— 安全、对齐、不丢索引
• 想对每组做复杂逻辑（如拟合模型、返回多行），才用 apply() ，但记得手动处理索引： grouped.apply(lambda g: g.sort_values("time").head(2)).reset_index(drop=True)
• 误用 apply() 返回标量（如 .apply(len) ）会导致结果变成 Series，而非扩展列 —— 这时该用 size() 或 count()
• 性能上， transform() 内建函数（如 "first"、"cumsum"）比 lambda 快得多

分组键含 NaN 时，数据莫名“消失”了

Pandas 默认把 NaN 当作缺失值，在分组时直接剔除 —— 不是 bug，是设计行为，但极容易被忽略。

• 现象： df.groupby("status").size() 的总和小于 len(df) ，差额就是 status 为 NaN 的行数
• 想保留 NaN 组？加参数 dropna=False ： df.groupby("status", dropna=False).size()
• 注意：SQL 用户容易预期 GROUP BY 包含 NULL 组，但 Pandas 默认不兼容这点，必须显式声明
• 如果键是多个列（如 groupby(["a", "b"]) ），只要其中任一列为 NaN ，整行就被丢弃 —— dropna=False 同样适用

分组聚合真正麻烦的从来不是语法，而是隐式行为：NaN 处理、索引对齐、延迟计算、列名推导。这些地方不动手试几次，光看文档根本意识不到哪一步断掉了。

今天关于《Python数据分组聚合实战：GroupBy技巧》的内容介绍就到此结束，如果有什么疑问或者建议，可以在golang学习网公众号下多多回复交流；文中若有不正之处，也希望回复留言以告知！