Python怎么按组统计？groupby()聚合与mean/sum/count应用详解

在数据处理工作中，经常需要把数据先按某个字段归类，再分别计算每一类的平均值、总和或记录数。Python的pandas库提供了groupby方法，它把“分组”和“聚合”两个动作连在一起，让统计逻辑变得直观。理解它的内部执行方式，比死记函数参数更有用。

一、groupby的基本工作原理

groupby操作在pandas中遵循“拆分、应用、合并”的模型。拆分阶段会根据你指定的键（比如某一列的值）把原始DataFrame切成多个小组；应用阶段对每个小组执行你给的聚合函数；合并阶段把各组结果拼回一个结构化的输出。这种机制避免了手写循环遍历每行判断归属的低效做法。

从代码角度看，groupby返回的是一个GroupBy对象，而不是立刻算出结果。只有当你接上mean、sum、count这类聚合方法，或者显式调用agg时，pandas才会真正执行计算。这也意味着你可以先分组，再灵活决定要算什么，而不用反复扫描数据。

import pandas as pd

data = {
    'region': ['华北', '华北', '华南', '华南', '华南'],
    'sales': [200, 150, 300, 250, 400],
    'orders': [2, 1, 3, 2, 4]
}
df = pd.DataFrame(data)

# 仅分组，返回GroupBy对象，未计算
grouped = df.groupby('region')
print(type(grouped))

# 应用聚合，触发计算
result = grouped.mean()
print(result)

二、用mean按组计算平均值

mean是最常用的聚合函数之一，用来观察每组在某个数值列上的平均水平。比如上面例子中，想看每个地区的平均销售额，直接对分组对象调用mean即可。如果不指定列，pandas会对所有数值列求平均；如果只关心某一列，可以用中括号先选列再聚合，减少不必要的计算。

需要注意，mean会自动忽略NaN值。如果某组全部是缺失值，结果会是NaN而不是报错。另外，分组键中如果存在NaN，pandas默认把它当作一个独立分组，这点常在清洗不彻底的数据时带来意外统计，建议先dropna处理键值。

# 只计算销售额的平均值
avg_sales = df.groupby('region')['sales'].mean()
print(avg_sales)

# 多列同时求平均
avg_all = df.groupby('region').mean()
print(avg_all)

三、用sum按组求和

sum适合统计累计量，例如各地区的总销售额、总订单数。和mean不同，sum会把组内数值直接相加，NaN被视为0参与运算（在pandas中默认skipna=True，等效于忽略缺失）。当你需要看规模而非水平时，sum比mean更合适。

使用sum时一个常见误区是对非数值列分组后误用sum，pandas会对字符串列做连接操作，导致结果难以解释。因此聚合前最好确认选中列的类型，或者用agg显式限定函数作用范围。

# 各地区销售与订单总和
total = df.groupby('region').sum()
print(total)

# 仅对销售额求和
total_sales = df.groupby('region')['sales'].sum()
print(total_sales)

四、用count与size统计组内记录数

count返回每组中非NaN值的个数，而size返回每组的总行数（包含NaN）。这两个函数容易混淆。当你想统计“有多少个订单记录”时，如果订单字段有缺失，count会少算，size才反映真实条数。在用户行为分析中，size常用来衡量活跃度。

从性能上说，size比count略快，因为它不需要检查每列缺失情况。若只需知道分组后各组的体量，优先用size。下面示例展示二者差异，以及如何在同一表达式中组合多个聚合。

# 非NaN计数
cnt = df.groupby('region').count()
print(cnt)

# 总行数计数
sz = df.groupby('region').size()
print(sz)

# 组合多个聚合
summary = df.groupby('region').agg(
    avg_sales=('sales', 'mean'),
    total_sales=('sales', 'sum'),
    record_num=('sales', 'size')
)
print(summary)

五、聚合结果的索引与后续处理

默认情况下，groupby的键会成为结果DataFrame的索引。这方便用loc取值，但在后续与其他表合并时，往往需要先reset_index把键变回普通列。另外，多列分组会产生多层索引，可用tuple访问或flat处理，避免出错。

当分组逻辑复杂时，可传入字典或Series作为键映射，甚至用lambda对索引分组。掌握这些技巧后，mean、sum、count只是基础积木，真正价值在于用清晰语法表达业务统计规则，让代码兼具正确性与可维护性。

# 重置索引便于后续操作
summary_reset = summary.reset_index()
print(summary_reset)

# 多列分组示例
df['year'] = [2021, 2021, 2022, 2022, 2022]
multi = df.groupby(['region', 'year'])['sales'].sum()
print(multi)

Pythongroupbypandas_aggregate修改时间：2026-08-05 11:33:34