5-1 GroupBy分组会诊

5-1 GroupBy：分组会诊机制

本节摘要：GroupBy的机制是拆分、应用、合并三段——按键把表拆成若干子表，对每张子表做同样的操作，再把结果拼回来。本节讲透"组"这个数据形态，以及size、get_group、groups三件探组器械。

数据出院后进入会诊室。管理层不要看三千行明细，要看"每家店怎么样"。把明细按门店拆开分别诊断再汇总会诊，就是GroupBy的全部思想。

三段机制拆解

import pandas as pd

df = pd.DataFrame({
    '门店': ['A', 'A', 'B', 'B', 'C'],
    '渠道': ['线上', '线下', '线上', '线上', '线下'],
    '金额': [1280, 960, 1732, 880, 2100],
})

grouped = df.groupby('门店')   # 此刻还没算任何东西，只是建好分组档案
print(grouped)
# <pandas.core.groupby.generic.DataFrameGroupBy object ...>

print(grouped['金额'].sum())
# 门店
# A    2240
# B    2612
# C    2100
​

groupby本身几乎不干活，它是"拆分方案的蓝图"。调用聚合函数那一刻，三段机制才开始：按门店的键把五拆成三张子表，每张子表求金额和，再按键拼回一张三行的小表。输出的索引就是分组键——这就是为什么第01章说Index是身份证：分组结果天然以键为索引。

三件探组器械

# 器械一 size：每组的行数（不是计数和，是记录条数）
print(grouped.size())
# 门店
# A    2
# B    2
# C    1

# 器械二 groups：查看每组的行号（诊断分组是否符合预期）
print(grouped.groups)
# {'A': [0, 1], 'B': [2, 3], 'C': [4]}

# 器械三 get_group：单独请某组出来面谈
print(grouped.get_group('B'))
#   门店   渠道   金额
# 2    B  线上  1732
# 3    B  线上   880
​

💡 关键直觉：写分组前先size一遍。组数是不是预期、每组行数是不是合理（某组只有一行多半是键没规范化，回4-3）——十秒钟的探组能省掉一份口径错误的报告。

多键分组与组内遍历

# 双键：门店-渠道两级会诊
multi = df.groupby(['门店', '渠道'])['金额'].sum()
print(multi)
# 门店  渠道
# A   线上    1280
#     线下     960
# B   线上    2612
# C   线下    2100

# unstack把内层键掀到列上（2-3的分层知识在这里兑现）
print(multi.unstack('渠道'))
# 渠道    线上    线下
# 门店
# A    1280   960.0
# B    2612     NaN   ← C线上没开张，NaN而非0
# C     NaN  2100.0

print(multi.unstack('渠道').fillna(0))
# 渠道    线上    线下
# 门店
# A    1280   960.0
# B    2612     0.0
# C       0  2100.0
​

组内遍历在调试时有用，但生产代码里几乎总有更好的写法：

for name, sub in grouped:
    print(name, '共', len(sub), '笔，均单', round(sub['金额'].mean(), 1))
# A 共 2 笔，均单 1120.0
# B 共 2 笔，均单 1306.0
# C 共 1 笔，均单 2100.0
​

拆分应用合并机制图

GroupBy三段机制

本节要点回顾

分组会诊还有一个工程细节值得交代：groupby默认把分组键从列收进索引（squeeze行为），加as_index=False可以让键留在普通列里，产出的结果直接是"键列加指标列"的平面表，省一次reset_index，交付给下游时更省心。这个参数在 notebooks 探索阶段无关痛痒，写进可复用的报表函数时就成了显著体验差异。

• 三段机制：拆分按键成子表、应用同操作、合并按键回归
• 分组结果是惰性的，groupby只是蓝图，聚合才执行
• 探组三件：size看组量、groups看成员、get_group请单组面谈
• 多键分组产生多层索引，unstack随时换排版
• 没开张的组合是NaN不是0，报告前按口径fillna

追问：分组键的常见来源

真实数据里分组键不总是一列现成的字段。四种来源都值得熟悉：直接列（门店）、索引层（时间索引的月份，第07章的主角）、外部映射（每个门店属于哪个大区，字典或另一张表）、以及计算出来的键（金额分档）。最后一种在会诊里出现频率极高：

df['档位'] = pd.cut(df['金额'], bins=[0, 1000, 2000, float('inf')],
                   labels=['小单', '中单', '大单'])
print(df.groupby('档位', observed=True)['金额'].agg(['count', 'sum']))
#       count   sum
# 档位
# 小单      2  1840
# 中单      2  2240
# 大单      1  2100
​

pd.cut把连续值切段成离散档，observed=True在category键上只显示实际出现的档（新版本默认行为，写上更稳）。金额分档加门店分组，两级会诊的维表就齐了。

追问：dropna与分组的关系

分组键里有缺失的行，groupby默认整组丢弃——又一个静默吞数据的点。真实数据里"渠道未知"的记录常常不少，直接分组等于假装它们不存在。两个选择：groupby(..., dropna=False)让缺失自成一组；或先fillna('未知')把缺失显式化再分组。后者更符合体检流水线的精神：缺失要被看见，而不是被技术细节蒸发。

dirty = pd.DataFrame({'渠道': ['线上', None, '线下'], '金额': [100, 200, 300]})
print(dirty.groupby('渠道', dropna=False)['金额'].sum())
# 渠道
# 线上    100
# 线下    300
# NaN     200   ← 被留在了会诊桌上
​

下一节讲应用段的三种输出形态：agg、transform与filter。