5-2 聚合函数的诊断指标

5-2 聚合：诊断指标的三种输出形态

本节摘要：同样一次分组，agg把每组压成一个数、transform保持原表行数给每行标注组内信息、filter按组级指标整组放行或拦截。本节把三种输出形态一次讲透，并用命名聚合产出可直接进报告的列名。

上一节分组机制建好了，本节讲应用段：会诊报告要的不是"每组的和"，而是"每组的和、均值、笔数、与组均值的偏离"——后一种需求就得换输出形态。

agg：一组长出多个诊断指标

import pandas as pd

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

# 一个键一个指标：单函数直接写
print(df.groupby('门店')['金额'].mean().round(1))
# 门店
# A    1120.0
# B    1306.0
# C    2100.0

# 一组多指标：agg接函数列表
print(df.groupby('门店')['金额'].agg(['sum', 'mean', 'count']))
#        sum    mean  count
# 门店
# A    2240  1120.0      2
# B    2612  1306.0      2
# C    2100  2100.0      1

# 不同列要不同指标：字典写法
print(df.groupby('门店').agg({'金额': ['sum', 'max']}))
#        金额
#         sum   max
# 门店
# A     2240  1280
# B     2612  1732
# C     2100  2100
​

列表与字典的 agg 会产生多层列名，报告里不好引用。命名聚合（pd.NamedAgg）一步到位：

report = df.groupby('门店').agg(
    总金额=('金额', 'sum'),
    均单=('金额', 'mean'),
    笔数=('金额', 'count'),
)
print(report)
#     总金额     均单  笔数
# 门店
# A   2240  1120.0   2
# B   2612  1306.0   2
# C   2100  2100.0   1
print(report['均单'].idxmax())   # 'C' —— 但C只有一笔，下文filter会收拾它
​

transform：保长输出，给每行标注组内信息

需求：找出"高于所在门店平均单"的交易。错误思路是拿全局均值比（A店的1280会被B店的均值冤枉），正确思路是组内比较：

# transform返回与原表等长的序列：每行得到它所在组的均值
df['店均单'] = df.groupby('门店')['金额'].transform('mean')
print(df)
#   门店   金额   店均单
# 0    A  1280  1120.0
# 1    A   960  1120.0
# 2    B  1732  1306.0
# 3    B   880  1306.0
# 4    C  2100  2100.0

# 组内比较：一行布尔筛选搞定
print(df[df['金额'] > df['店均单']])
#   门店   金额  店均单
# 0    A  1280  1120.0
# 2    B  1732  1306.0
​

💡 关键直觉：agg越分越少、transform保持行数。判断用哪个只需要问一句：结果要贴回原来的每一行吗？要，就transform。

filter：按组级指标整组裁决

# 样本太少的组不可信：只有一笔的C店不该进报告
big_enough = df.groupby('门店').filter(lambda g: len(g) >= 2)
print(big_enough['门店'].unique())   # ['A' 'B']   C整组被拦下

# 组均值不达标的整组淘汰
print(df.groupby('门店').filter(lambda g: g['金额'].mean() > 1100)['门店'].unique())
# ['A' 'B']
​

filter是"先汇总判断、再按行返回"的打包写法。手动实现要先算组指标、再isin、再布尔筛，四步并一步，且语义读起来就是一句话：留下满足条件的组。

三种输出形态对照

agg transform filter 输出形态对照

本节要点回顾

• agg接列表与字典出多指标，命名聚合自定义列名免多层索引
• transform保长，组内比较先transform再布尔筛，两步完成
• filter整组裁决，小样本组与不达标组整组拦截
• 全局均值会冤枉好数据，组内比较才是公平口径
• 三种出口的选择口诀：报告agg、标注transform、筛组filter

追问：自定义聚合函数怎么写

内置指标覆盖不了的需求（比如"每组前两大客户的合计"）用自定义函数进agg。写法上只要记住契约：拿到一张子表，返回一个标量：

def top2_share(g):
    """组内前两大单占组内总额的比例：客户集中度指标"""
    top2 = g.nlargest(2).sum()
    return round(top2 / g.sum(), 3)

print(df.groupby('门店')['金额'].agg(top2_share))
# 门店
# A    0.994   # 两单几乎就是全部，集中度极高
# B    0.928
# C    1.000   # 只有一单，比例自然封顶
​

注意C店的1.0——单笔组里集中度指标退化，这类"指标在小样本上的假信号"正是上一节filter要把小样本组拦出去的原因。自定义聚合虽好，代价是失去向量化加速，十万行以上明显变慢，能用内置就别自定义。

一个完整的会诊指标卡

把本节三件器械拼成一张管理层口径的指标卡：

card = df.groupby('门店').agg(
    总额=('金额', 'sum'),
    均单=('金额', 'mean'),
    笔数=('金额', 'count'),
).assign(
    单笔贡献=lambda x: (x['总额'] / x['笔数']).round(1),
    总额占比=lambda x: (x['总额'] / x['总额'].sum() * 100).round(1),
)
print(card)
#     总额     均单  笔数  单笔贡献  总额占比
# 门店
# A   2240  1120.0   2   1120.0    36.1
# B   2612  1306.0   2   1306.0    42.1
# C   2100  2100.0   1   2100.0    33.8
​

命名聚合出基础列、assign补派生列，一气呵成。这张卡就是下一节要排版的原始素材。

下一节把会诊结果排版成正式报告：透视表与交叉表。