分组进阶

前三章的分组基础足够日常使用。这一章解决更复杂的分组场景：多级索引、时间频率分组、组内排序、分组加窗口，以及性能注意事项。

多级分组：按索引层级分组

数据带 MultiIndex 时，可以直接按层级分组。先造一个多级索引的 Series：

import pandas as pd
import numpy as np

index = pd.MultiIndex.from_arrays(
    [["bar", "bar", "baz", "baz", "foo", "foo"],
     ["one", "two", "one", "two", "one", "two"]],
    names=["first", "second"],
)
s = pd.Series([1, 2, 3, 4, 5, 6], index=index)

按第一层分组：

s.groupby(level=0).sum()

也可以按层级名分组：

s.groupby(level="second").sum()

一次按多个层级：

s.groupby(level=["first", "second"]).sum()

时间分组：pd.Grouper

想把”日期”按周、按月归组，用 pd.Grouper。它和 resample 类似，但能和其他分组键组合：

df = pd.DataFrame({
    "日期": pd.date_range("2024-01-01", periods=6, freq="D"),
    "产品": ["A", "B", "A", "B", "A", "B"],
    "销量": [10, 8, 15, 9, 20, 12],
})

df.groupby([pd.Grouper(key="日期", freq="W"), "产品"])["销量"].sum()

按周（W）把日期切成桶，再叠加产品分组。freq 常用取值：“D”（天）、“W”（周）、“ME”（月）、“QE”（季）、“YE”（年）。

如果日期本身是索引，用 level 代替 key：

df2 = df.set_index("日期")
df2.groupby([pd.Grouper(freq="ME"), "产品"])["销量"].sum()

组内编号：cumcount 与 ngroup

想给每行标上”这是组里第几个”，用 cumcount；想给每组一个全局编号，用 ngroup：

df2.groupby("产品").cumcount()     # 组内第几个，从 0 数起
df2.groupby("产品").ngroup()       # 组的编号，从 0 数起

cumcount 常用来给重复行做区分，比如同一产品的多次记录编号后做透视；ngroup 则适合把分组结果喂给只认整数编号的模型或算法。

分组与排序

分组键默认排序（sort=True）。传 sort=False 让组按出现顺序排列，组多时能省一点时间：

df.groupby("产品", sort=False)["销量"].sum()

组内行的顺序不会被改变：每组里的行保持原表的相对顺序。

需要”组内按某列排序后再取”时，先 sort_values 再分组：

df.sort_values("销量", ascending=False).groupby("产品").head(2)

每组销量最高的两行就取出来了。这个”先排序再分组取前 N”的组合，是取每组 Top N 的标准套路。

分组 + 窗口

groupby 可以和 rolling、expanding、resample 组合，实现”每个组内做滚动计算”：

df2.groupby("产品")["销量"].rolling(2).mean()

按产品分组，组内取 2 期滚动均值。结果索引变成（产品, 原索引）两层。expanding 同理，做组内累计：

df2.groupby("产品")["销量"].expanding().sum()

分组后重采样也能做，先分组再按日补齐：

ts = pd.DataFrame({
    "日期": pd.date_range("2024-01-01", periods=4, freq="W"),
    "组": [1, 1, 2, 2],
    "值": [5, 6, 7, 8],
}).set_index("日期")

ts.groupby("组").resample("1D").ffill()

窗口计算的细节在 §42、§43、§46 展开，这里先记住”能组合”这个能力。

性能提示

分组操作的性能差异可以很大，几条实用原则：

1. 先选列再聚合：df.groupby("产品")["销量"].sum() 比 df.groupby("产品").sum()["销量"] 快
2. 内置方法优先于 apply/lambda：内置方法有专门优化，UDF 逐组调 Python 函数慢得多
3. 组多且顺序无所谓时，sort=False 可以提速
4. 分组键是 Categorical 时，3.0 起默认 observed=True，只返回实际出现的组；想保留所有类别，显式传 observed=False
5. 组内计算优先用 transform 组合内置方法（如 transform("mean") 再相减），而不是写自定义函数

分组链式操作

分组结果可以继续接方法链，比如聚合后整理：

(df.groupby(["产品", "日期"])["销量"].sum()
   .reset_index()
   .sort_values("销量", ascending=False))

聚合、展开、排序一次完成。这类写法在后面的实战里很常见。

小结

多级分组用 level、时间分组用 Grouper、组内编号用 cumcount/ngroup、组内取 Top N 先排序、窗口计算直接组合。性能上记住”内置方法优先、先选列再聚合”，分组分析就够用了。