别再手动分组了！Pandas分组聚合，让你的数据处理效率起飞
如果你经常和数据打交道，一定遇到过这样的场景：需要统计不同部门的平均工资，或者分析每个城市用户的购买习惯。这时候，你可能会下意识地想写一个 for 循环，一个个部门去处理。
如果数据量小，这么做勉强能忍。但如果数据有几十万行，这么写不仅代码冗长，效率还低得让人抓狂。
今天，我就带你彻底搞懂 Pandas 里最核心、最实用的功能之一——分组聚合。学完这一篇，你处理数据的速度至少提升10倍，而且代码会简洁到让同事惊呼“原来还能这样写”。
一、分组到底分了个啥？——先认识 GroupBy 对象
很多人一上来就着急写聚合函数，却忽略了理解 groupby 的本质。其实，当我们写下下面这行代码时：
import pandas as pd df = pd.read_csv("employees.csv") grouped = df.groupby("department_id")grouped 并不是一个新的 DataFrame，而是一个DataFrameGroupBy 对象。你可以把它想象成一个“分组篮子”，它按照部门 ID 把原始数据分成了若干组，但此时并没有真正计算任何东西。这种设计叫做惰性计算，好处是节省内存，等你真正需要结果时，它才会动工。
你可以用 .groups 属性查看分组的内部结构：
print(grouped.groups)运行后会看到一个字典，键是部门 ID，值是该部门所有行在原始 DataFrame 中的索引位置。
如果你想提取某个部门的数据，用 .get_group() 就可以了：
grouped.get_group(50) # 获取部门 50 的所有员工信息二、分组后如何取值？——两种常用姿势
分组之后，我们通常只关心某些列，比如每个部门的薪资。有两种常见写法：
# 写法一：先分组，再取列 df.groupby("department_id")["salary"].mean() # 写法二：取列后分组（结果一样，写法更紧凑） df["salary"].groupby(df["department_id"]).mean()两种写法最终都会得到一个SeriesGroupBy 对象，它代表的是按部门分组后的薪资序列。只有当你调用聚合函数（如 mean()）时，Pandas 才会真正去计算平均值。
如果你想同时看多列，比如薪资和佣金率，就把列名放在列表里：
df.groupby("department_id")[["salary", "commission_pct"]].mean()三、分组不止一个维度——按多个字段分组
现实业务中，按单个字段分组往往不够用。比如你想看每个部门里不同职位的平均薪资，这就需要按两个字段分组。
Pandas 实现起来非常直观，只需把字段名以列表形式传入即可：
result = df.groupby(["department_id", "job_id"])["salary"].mean() print(result)你会发现，返回的结果有一个“复合索引”，看起来像两层的索引。如果觉得这种结构不方便后续操作，有两种方法可以把它变成普通列：
- 方法一：用 .reset_index()
- 方法二：在分组时加 as_index=False 参数
result = df.groupby(["department_id", "job_id"], as_index=False)["salary"].mean()这两种方法都能得到一张干净整齐的表格。
四、把连续数据切成段——cut() 的妙用
有时候，我们需要把连续的数值（比如薪资）分成几个区间，再按区间去分析。这就是“分箱”操作，Pandas 的 cut() 函数专门干这个。
举个例子，把薪资分成高、中、低三档：
import pandas as pd df = pd.read_csv("employees.csv") salary_range = pd.cut(df["salary"], bins=3, labels=["低", "中", "高"]) print(salary_range)cut() 的参数很好理解：
- bins=3 表示分成三等份
- labels 是自定义的标签
你也可以自己指定区间边界，比如把薪资分成 0-5000 和 5000-10000：
pd.cut(df["salary"], bins=[0, 5000, 10000])分箱完成后，你就可以把分好的区间作为分组依据，进行更细致的分析。
五、聚合函数怎么用？——从基础到进阶
聚合是分组操作的重头戏。简单说，就是“每个组算出一个数”。
5.1 单列单函数
最常见的用法：
df.groupby("department_id")["salary"].mean()这里的 mean() 可以换成 sum()、min()、max()、std()、count() 等，基本上你想到的统计函数它都有。
5.2 单列多函数
如果想一次算出多个统计值，用 .agg() 配合列表：
df.groupby("department_id")["salary"].agg(["min", "median", "max"])这样会生成一个表格，每列对应一个统计函数，非常直观。
5.3 多列多函数（不同列用不同函数）
这是最灵活的场景。比如你想：
- 对 salary 列求平均值和最大值
- 对 commission_pct 列求平均值
- 对 job_id 列统计不重复的职位个数
用字典形式传给 .agg() 即可：
result = df.groupby("department_id").agg({ "salary": ["mean", "max"], "commission_pct": "mean", "job_id": "nunique" })5.4 自定义函数
如果内置函数不够用，你还可以自己写一个函数，传给 .agg()。比如，你想看每个部门里，所有员工的姓氏首字母有哪些：
def first_letters(x): return set(name[0] for name in x if pd.notna(name)) df.groupby("department_id")["last_name"].agg(first_letters)六、分组后还能干点啥？——转换与过滤
除了聚合，分组操作还有两个高级玩法：转换和过滤。
6.1 转换（transform）——保持形状不变
transform() 的神奇之处在于，它返回的结果形状和原始数据一模一样。
举个例子，你想给每个员工计算他“比部门平均薪资高多少”，可以这样写：
df["salary_diff"] = df.groupby("department_id")["salary"].transform(lambda x: x - x.mean())这行代码会为每个员工生成一个值，表示他的薪资减去所在部门平均薪资。你不会看到任何“压缩”的效果，但每一行都有了自己在组内的相对位置。
另一个经典应用是按分组填充缺失值。比如，用部门平均薪资来填补该部门内缺失的薪资数据：
def fill_with_mean(x): return x.fillna(x.mean()) df["salary_filled"] = df.groupby("department_id")["salary"].transform(fill_with_mean)6.2 过滤（filter）——按组整体筛选
有时你想保留某些组，剔除另一些组，这就要用到 filter()。
比如，你想只看那些有员工拿佣金的部门（即 commission_pct 列没有缺失值的部门）：
filtered_df = df.groupby("department_id").filter(lambda x: x["commission_pct"].notnull().all())filter() 会遍历每个分组，对每个分组执行你写的判断，返回 True 的分组保留，否则丢弃。
总结
Pandas 的分组功能远比我们想象的要强大。它不只是帮你“分组求和”，而是一整套数据处理的思维框架：
- 分组对象是惰性的，只有调用函数时才会真正计算
- 多字段分组帮你轻松实现多层次的分析维度
- cut()让连续数据分箱变得无比简单
- agg()能同时处理多列、多函数，甚至自定义函数
- transform()保持形状不变，适合数据标准化和填充
- filter()让你能按组整体筛选数据
掌握这些技巧之后，你会发现以前用循环才能做的事情，现在一行代码就能搞定。代码变短了，逻辑更清晰了，效率也上来了。
如果你还没在项目中用起来，不妨从今天开始，挑一个你以前用循环处理过的任务，用 Pandas 分组重写一遍。相信我，那种“丝滑”的感觉，会让你彻底爱上这种编程方式。
如果这篇文章对你有帮助，欢迎点赞、收藏、转发，也欢迎在评论区交流你遇到的分组问题，我们一起探讨更优雅的解法！