第 4 章 汤锅区：分组、聚合与统计计算

第 4 章 · 汤锅区：分组、聚合与统计计算

本章要回答的问题：为什么同样一份数据，有人算出的指标总是对不上？分组聚合的"拆、算、合"到底拆了什么、合了什么？累计、滚动、条件取值这三类"边走边算"的活，各用什么函数、什么参数？本章围着汤锅把这几问炖透。

为什么会有这一章

切配台上料是切好了，但报表要的是"华东区月均单量""最近七天滚动销售额""超标订单的标记"——这些数字没有一行能直接从原料里挑出来，都得下锅熬：把数据按组拆开，各自算完，再把结果合并回来。汤锅区是整间教室里"出味道"的地方：groupby 是主灶，describe 是一锅出的快手汤，rolling 是文火慢煨，np.where 是尝味后的最后调味。与讲统计理论的教材不同，本章只关心一件事——每个函数怎么用、参数怎么拧、什么时候会煳锅。

这一章的手法有一个共同底座：向量化。汤锅里没有 Python 循环的位置，凡是你想写 for 循环逐行算的地方，多半都有一味现成的汤料。底座之外的另一条暗线是"对齐"——分组键对齐、窗口边界对齐、条件分支对齐，汤的口味准不准，全看对齐功夫。

读完能解决什么

• 聚合能力：用 groupby 完成单键与多键分组，用 agg 一次产出多个统计量，说清 split-apply-combine 各阶段发生了什么；
• 速算能力：用 describe 一次拿到整表描述统计，会解释 count 与 size、ddof 口径差异；
• 滚动能力：用 cumsum 与 rolling 完成累计与窗口计算，理解窗口边界与 min_periods 的行为；
• 调味能力：用 np.where、np.select、clip 完成条件取值与截断，写出清晰的分支逻辑。

可考核知识点清单：groupby 后选择列的两种写法与 KeyError 的来历；agg 传列表、传字典、命名聚合三种形态；transform 与 apply 在"结果回填原表"场景的分工；describe 对数值列与非数值列的默认取舍；rolling 的 window 与 min_periods 联动；ewm 与 expanding 各自的窗口观；np.where 三参数的顺序语义；df.where 与 np.where 条件方向相反这件事；clip 与 2.2 截尾的呼应。

各节怎么分工

常见疑问

**问：聚合与透视表什么关系？**4.1 的 groupby 是本体，5.3 的 pivot_table 是它的二维报表皮肤——同一笔账两种摆法。本章先把 groupby 的拆算合吃透，摆盘区的透视表就只是换个姿势。

**问：不讲统计理论，那 describe 算什么？**算"工具用法"。本章关心的是 describe 怎么调、输出怎么读、口径（比如标准差的 ddof）差在哪，至于这些统计量背后的估计理论，本册一概不展开——需要时另配方法论专册。

**问：rolling 与 groupby 什么时候叠加使用？**当你听到"每个门店各自的近七天均值"这类需求时——分组保证组间不串味，滚动保证窗口正确。4.3 末尾给了标准写法，注意它返回多层索引，取数前先想清楚层级。

先决条件

• 完成第 3 章：会筛选会排序——聚合前的分组键就该切配干净；
• 时间列已转成时间类型，3.4 的 to_period 会直接用在 4.3；
• 知道 NaN 与多数聚合函数"自动跳过"的默契，细节本章展开。

往下走到哪

汤熬好就该装盘：第 5 章摆盘区负责 merge 合并、pivot 重塑与汇总报表。本章 4.1 的分组结果会在 5.3 与 pivot_table 殊途同归；4.3 的滚动列在 8.5 的流水线实战里会作为特征列原样出现。