4.1 分组聚合：groupby 的拆算合三步

4.1 分组聚合：groupby 的拆算合三步

本节摘要：groupby 是汤锅区的主灶——按键拆开、各组各算、结果合并，英文行话叫 split-apply-combine。本节讲清单键与多键分组、agg 的三种形态、transform 的回填本事，以及"分组后列没了"这类报错的来历。承接切配台的齐料，通往 4.2 的描述统计。

为什么两个人的月报对不上

为什么同一份流水，两个人算出的"各渠道月均"能差出一截？多半是有人把"先算总量再相除"和"先算各组均值再平均"混为一谈——这正是没吃透 groupby 的典型症状。聚合的所有纠结，都可以拆回三个动作：按分组键把表拆成小片；对每个小片各算各的统计量；把小结果拼回一张表。三步想清楚，参数就只是口味调节。本节往前接切配台的干净分组键，往后把聚合产物交给 4.2 做整体体检。

图 拆、算、合三步示意

参数拆解：旋钮逐个拧

**df.groupby(by, as_index=True, sort=True, dropna=True)**：by 给单列名或列名列表；as_index=False 让分组键保留成普通列，下游直接用，省掉事后 reset_index；sort=False 保持组首次出现的顺序，比默认排序快一点；dropna 默认把分组键里的缺失丢掉——想让"未知渠道"也成一组，记得 dropna=False。**聚合三形态**：g.agg("mean") 单函数；g.agg(["mean", "max"]) 多函数出多列；命名聚合 g.agg(均价=("金额", "mean"), 最高=("金额", "max"))，列名自己起，最推荐。**g.transform("mean")**：与 agg 的区别在形状——agg 一组一行，transform 按原表逐行回填，2.1 填缺失时它已经亮过相。**df.groupby 多键**：by 给列表即多级分组，结果索引是多层的，配合 5.2 的 unstack 能展开成宽表。

import pandas as pd

df = pd.DataFrame({
    "渠道": ["直营", "分销", "直营", "直播", "分销", "直播"],
    "月份": ["5月", "5月", "6月", "5月", "6月", "6月"],
    "金额": [120.0, 88.0, 150.0, 210.0, 95.0, 180.0],
})
out = (df.groupby(["渠道", "月份"], as_index=False)
         .agg(单数=("金额", "count"), 总额=("金额", "sum"), 均价=("金额", "mean")))
print(out)
#   渠道  月份  单数    总额    均价
# 0 直播   6月    1  180.0  180.0
# 1 直播   5月    1  210.0  210.0
# 2 分销   5月    1   88.0   88.0
# ...
​

实操示例：从流水到指标表

场景：把订单流水做成"渠道月报"——每组算单量、总额、均价与客单占比，一次 agg 全部产出，最后加一列占比回填。

monthly = (df.groupby(["渠道", "月份"], as_index=False)
             .agg(单量=("金额", "size"), 总额=("金额", "sum")))
# 各渠道占当月总额的比例：transform 把组总额逐行回填再相除
monthly["渠道占比"] = (monthly["总额"] /
                   df.groupby("月份")["金额"].transform("sum").values).round(3)
print(monthly)
# size 与 count 的差别：前者连缺失也计数，后者只数非空
​

这里同时出现了 size 与 count：size 数所有行，count 只数非空——对账时用哪个，取决于"缺失算不算一笔业务"。把这个口径写进报表脚注，月报对不上的悬案就少了一大半。

多键分组与结果整形

单键分组是入门，报表里更常见的是多键：渠道配月份、门店配品类。多键结果的索引是多层，直接打印能看到层级，但下游往往要"平"的表——两个出口：as_index=False 让键留在普通列，或者 groupby 后接 reset_index 摊平。想直接出"行是渠道、列是月份"的二维表，则是 groupby 配 unstack 的连招，完整展开在 5.2 与 5.3。

multi = df.groupby(["渠道", "月份"])["金额"].sum()
print(multi.reset_index())          # 多层索引摊平成普通表
print(multi.unstack(fill_value=0))  # 内层键抬成列，二维报表成形
​

两条路线产出同一份数据的两种形态——先想清楚下游要"长表还是宽表"，再决定选 reset_index 还是 unstack，这比事后改形省事得多。

分组键的质量决定一切

聚合结果可信的前提，是分组键本身干净——这一站的上游正是择菜间与切配台。键里混着"直营"与"直营 "（尾随空格），分组直接裂成两组，报表凭空多出一行"幽灵渠道"；键里的缺失默认被 dropna 丢弃，少了多少组毫不知情。所以聚合前的固定动作有两条：对键列跑一遍 value_counts 看看有没有"长得像"的类别；确认缺失键的去向（dropna 还是成组）写进了口径。键是汤的骨架，骨架歪一口锅，整锅汤都倒。

坑点与翻车

**翻车一：groupby 后直接取列报 KeyError。**df.groupby("渠道").金额 的写法依赖列存在性，若前面 as_index=False 或重命名过，键名对不上就报错；稳妥写法是 groupby 之后统一用中括号选列，或用命名聚合把输出列名定死。**翻车二：聚合列里混着文本。**对整组调 mean 时，组里的文本列要么被丢弃要么报错——聚合前先选好数值列，或者用 agg 指明每列的算法。**翻车三：迭代 groupby 当列表用。**for key, g in df.groupby("渠道") 里 key 是元组（多键时尤其容易忘），直接按单值解包会炸。翻车四：先聚合再筛选的次序错误。"总额过万的渠道"必须先聚合出总额再筛，反着来等于用单行金额筛组，口径全错。

替代方案

轻量场景不必上 groupby：s.value_counts() 一行给出各类计数（等价于分组计数），s.nunique() 给去重数；想要透视表形态的二维聚合，pd.pivot_table 直接到位（5.3 展开），本质是 groupby 加 unstack 的打包；复杂的多列各自聚合，命名聚合仍是首选，比事后改列名干净。

收档清单

• 三步心法：拆什么看键，算什么看函数，合出来一组一行；
• agg 三形态：单函数、函数列表、命名聚合，命名聚合最稳；
• transform 回填：组统计量按原表形状回填，占比与填充的标配；
• 口径两处：size 与 count 差一个"缺失算不算"，写进脚注；
• 键的去留：as_index=False 省事，dropna 决定缺失成不成组。

主灶之外还有一口快手锅：4.2 的 describe 一键端出整表描述统计，先看看你的数长什么样。