Python案例如何用Pandas做数据分组聚合

wen python案例 2026-07-15 1

Python实战案例：如何用Pandas高效完成数据分组与聚合分析

文章导读目录

为什么需要数据分组聚合？
Pandas分组聚合核心函数：groupby() 入门
销售数据按“城市”分组求总销售额
多级分组与自定义聚合函数（apply/agg）
分组后保留原始数据的“复合操作”
常见错误与性能优化技巧
SEO友好问答：新手最常问的5个问题
总结与下一步学习建议

为什么需要数据分组聚合？

在数据分析工作中，我们经常遇到这样的需求：“按城市统计每月的总销售额”、“按部门计算员工的平均薪资”、“按产品类别找出库存最少的10个SKU”——这些操作本质都是 “分割-应用-组合” 的流程，Pandas中的groupby机制正是为此设计,它允许你：

Python案例如何用Pandas做数据分组聚合

根据某列（或多列）的值将数据分成多个组；
对每个组独立应用函数（求和、均值、计数、自定义逻辑）；
将结果合并成一个新的DataFrame。

根据Seo技术社区的案例统计，90%的Pandas数据分析任务都会用到分组聚合，掌握这一技能，能让你处理10万行以上的数据集时,将代码从20行缩减到3行。

Pandas分组聚合核心函数：`groupby()` 入门

基本语法

df.groupby('列名')['待运算列'].聚合函数()

groupby('列名')：定义分组依据（可以是字符串或列表）；
['待运算列']：指定要进行聚合计算的列（可选，如果省略则对所有数字列操作）；
.sum() / .mean() / .count() / .agg()：聚合方式。

关键差异：`.agg()` vs `.apply()`

.agg()：专注预定义聚合（sum, mean, np.std等），速度快,且对多列可指定不同函数；
.apply()：更灵活，可传入自定义函数操作整个分组DataFrame,但性能略低。

销售数据按“城市”分组求总销售额

场景

有一份销售数据表（sales.csv），包含 城市、销售员、产品、销售额、日期 等字段,需要按城市汇总总销售额。

实现代码

import pandas as pd
# 读取数据
df = pd.read_csv('sales.csv')
# 分组聚合：按城市，对销售额求和
city_sales = df.groupby('城市')['销售额'].sum()
print(city_sales)

实际输出示例

城市
上海    125000
北京    98000
广州    72000
Name: 销售额, dtype: int64

拓展：同时查看多个聚合指标

city_stats = df.groupby('城市')['销售额'].agg(['sum', 'mean', 'count'])
print(city_stats)

此时会得到每个城市的总销售额、平均单笔销售额和订单数量——这是企业销售周报的常见统计维度。

多级分组与自定义聚合函数

需求

需要同时按 城市 和 季度 分组，并且计算每个组的加权平均利润率（假设有 销售额 和 利润 两列）。

多级分组

# 按两个列分组
grouped = df.groupby(['城市', '季度'])
# 多级聚合
result = grouped[['销售额', '利润']].sum()

此时索引成了MultiIndex（城市、季度），可以通过 .loc['上海':'北京'] 或 xs() 切片访问。

自定义聚合函数（使用`lambda`或`def`）

# 自定义加权平均（假设利润率 = 利润/销售额）
def weighted_margin(group):
    return group['利润'].sum() / group['销售额'].sum()
margin_result = df.groupby('城市').apply(weighted_margin)
margin_result.name = '加权利润率'

注意：apply返回的是Series，适用于每个分组返回单个值的情形，如果需要按组处理后再拼接回原数据，使用.transform或.filter。

分组后保留原始数据的“复合操作”

有时候我们不希望仅仅得到一个汇总表，而是想保留原始行，同时增加分组统计列（给每一行标记该产品类别的平均价格）。

使用`transform`

# 计算每个产品类别下，该行的价格与类别平均价的差值
df['类别平均价'] = df.groupby('产品类别')['价格'].transform('mean')
df['价格差异'] = df['价格'] - df['类别平均价']

transform不会减少行数，只是将聚合结果广播回每一行——这在做异常值检测或相对排名时非常有用。

常见错误与性能优化技巧

容易踩的坑

忘记.reset_index()：groupby默认以分组列为索引，如果后续需要列名索引，记得调用.reset_index()；
多级GroupBy后直接赋值：df.groupby('A')['B'].sum() = something会报错，必须通过.transform实现；
数据中存在NaN：分组键如果有NaN，该组会被自动忽略，可先df.dropna(subset=['分组列'])。