在数据处理工作中，经常需要按照多个维度交叉统计，例如同时按地区和产品类别汇总订单数量与金额。Pandas提供了非常直观的多列组合分析能力，核心在于groupby接受列名列表，将多列视为联合分组键，再结合聚合函数得到结果。
多列groupby的基本用法
当传入一个由列名组成的列表给groupby时，Pandas会依据这些列的唯一组合来拆分数据。这种操作比逐列筛选再合并要高效得多，也避免了手写循环带来的性能问题。下面构造一份简单的销售数据来演示。
代码中先用字典建立DataFrame，再调用groupby(["region","category"])。分组对象随后可以使用size计算每组行数，或用agg同时求出金额的总和与均值。结果是一个带有多级索引的Series或DataFrame，方便后续展示。
import pandas as pd
data = {
'region': ['north', 'south', 'north', 'south', 'north'],
'category': ['a', 'a', 'b', 'b', 'a'],
'amount': [100, 150, 200, 120, 90]
}
df = pd.DataFrame(data)
# 多列组合分组并统计
grouped = df.groupby(['region', 'category'])
count_series = grouped.size()
print(count_series)
# 多指标聚合
agg_df = grouped.agg(order_sum=('amount', 'sum'),
order_mean=('amount', 'mean'))
print(agg_df)
结果展示的常用方式
多级索引虽然信息完整，但直接给业务方看并不直观。最实用的做法是用reset_index把分组键变回普通列，或者直接用pivot_table生成二维透视表。reset_index适合导出CSV，而透视表更适合在笔记本里快速浏览。
下面的示例把前面的聚合结果铺平，并用透视表把地区作为行、类别作为列展示金额总和。这样既能保留多列组合的统计逻辑，又符合日常读表的习惯。注意透视表默认会对值做均值，需要显式指定aggfunc。
# 重置索引便于导出
flat = agg_df.reset_index()
print(flat)
# 生成透视表
pivot = pd.pivot_table(df,
index='region',
columns='category',
values='amount',
aggfunc='sum',
fill_value=0)
print(pivot)
多列统计的注意事项
第一，分组列中若含有缺失值，默认情况下NaN也会作为一个独立分组键。如果希望丢弃含缺失值的行，应在groupby之前用dropna处理相关列。第二，多列分组后索引层级较多，在链式调用时要留意自己取的是哪一层，以免后续筛选出错。
第三，当组合基数很大时，分组结果可能非常宽。此时可以先用filter筛掉小分组，或只保留需要的聚合指标，从而控制输出规模。掌握这些细节后，利用Pandas对DataFrame多列组合进行统计分析与结果展示就会变得稳定且高效。