pandasgroupby多列聚合方法详解

本文深入解析了 pandas 中 groupby 多列差异化聚合的多种实用方法，重点介绍了以字典映射和命名聚合（如 `agg(sales_sum=('sales','sum'))`）为核心的清晰、可控的写法，兼顾新旧版本兼容性；同时强调了避免多级索引、防止列名冲突、精准列筛选以提升性能、正确处理缺失值与标量返回要求等易被忽视的关键细节，帮助数据分析师高效、稳健地完成复杂分组汇总任务。

用 agg() 传入字典指定列与函数映射

直接对 groupby 结果调用 agg()，并传入一个字典，键是列名，值是聚合函数（可为字符串、函数或函数列表）。这是最常用也最清晰的方式。

• 支持单列单函数：{'sales': 'sum', 'price': 'mean'}
• 支持单列多函数：用列表包裹，如 {'sales': ['sum', 'count'], 'price': 'max'}，结果列名会自动变成多级索引（('sales', 'sum')）
• 若想避免多级索引，可后续加 columns.droplevel(0) 或用命名元组方式（见下一条）
• 函数可以是内置字符串（'min'）、NumPy 函数（np.std）、自定义函数（需接受 Series 并返回标量）

用命名元组实现自定义列名（避免多级索引）

当一列需要多个聚合函数，又不想让结果列名带多级索引时，用 pd.NamedAgg（pandas ≥ 0.25）或元组形式（旧版本兼容）更可控。

• pandas 1.0+ 推荐写法：agg(sales_sum=('sales', 'sum'), sales_cnt=('sales', 'count'), price_avg=('price', 'mean'))
• 效果是生成扁平列名：sales_sum、sales_cnt、price_avg，无嵌套
• 旧版本可用元组：agg([('sales_sum', 'sum'), ('sales_cnt', 'count')])，但仅适用于单列；多列需拼字典 + 元组组合，较易出错
• 注意：键名不能和原始列名冲突，否则会被覆盖或引发 ValueError: duplicate names

先 select 再 agg：只对特定列 groupby 聚合

如果原始 DataFrame 列很多，而你只关心其中几列的聚合，先用 [...] 选列再 groupby().agg(...)，能减少内存占用和计算开销。

• 正确：df[['group_key', 'A', 'B', 'C']].groupby('group_key').agg({'A': 'sum', 'B': 'mean'})
• 错误：在完整 df.groupby(...).agg({...}) 中只写部分列名，其余列不会报错但会被静默丢弃——容易误以为“没生效”，其实是被过滤了
• 若 groupby 的 key 不在所选列中（比如 df[['A','B']].groupby('category')），会抛 KeyError: 'category'，必须确保 key 列已包含在前一步选择中

混合使用 lambda 和预定义函数要注意作用域和性能

在 agg 字典里混用 lambda x: x.max() - x.min() 和 np.ptp 看似等价，但实际行为可能不同。

• lambda 接收的是每个分组的 Series，所以 x.max() - x.min() 安全；但若写成 lambda x: x['col'].max() 就会报错（x 已是 Series，无列索引）
• 涉及缺失值时，np.ptp 默认不跳过 NaN，而 lambda x: x.max() - x.min() 会受 skipna=True 设置影响（默认开启），结果可能不一致
• 大量数据下，向量化函数（如 np.mean）比 lambda 快得多；复杂逻辑建议封装成独立函数并加上 @numba.jit 或用 apply 分离处理

真正容易被忽略的是：当字典里某列对应函数返回不是标量（比如返回 list、Series 或 DataFrame），agg 会静默失败或降级为 apply 行为，输出结构不可控。务必确认每个聚合函数对任意非空分组都返回单一标量值。

本篇关于《pandasgroupby多列聚合方法详解》的介绍就到此结束啦，但是学无止境，想要了解学习更多关于文章的相关知识，请关注golang学习网公众号！