分组基础：groupby 与 split-apply-combine

数据里常有一类问题：“每个部门的平均薪资是多少""每个产品卖了多少件”。这类问题都是同一个套路：把数据按某个标准切成几堆，分别算，再把结果拼起来。pandas 把整套套路封装成了 groupby。

分组思想：split-apply-combine

groupby 这个名字来自 SQL 的 GROUP BY。整个过程分三步：

1. split（拆分）：按分组键把数据切成若干小组
2. apply（应用）：对每个小组独立执行函数
3. combine（合并）：把结果组合成新的数据结构

import pandas as pd
import numpy as np

df = pd.DataFrame({
    "部门": ["技术", "销售", "技术", "运营", "销售", "技术"],
    "姓名": ["张三", "李四", "王五", "赵六", "钱七", "孙八"],
    "薪资": [12000, 15000, 11000, 18000, 14000, 13000],
})

单列分组

groupby 传一个列名，按这一列的值分组：

grouped = df.groupby("部门")
type(grouped)   # pandas.core.groupby.DataFrameGroupBy

这一步什么都没算。grouped 只是一个”分组计划”，真正计算要等聚合方法出现。分组对象上可以挂 .sum()、.mean()、.size() 等方法，比如按部门算平均薪资：

df.groupby("部门")[["薪资"]].mean()

结果以”部门”为索引，每个部门一行。分组键默认会排序，结果按键排好。

多列分组

需求变成”每个部门每年的平均薪资”，就把多个列名放进列表：

df["年份"] = [2023, 2023, 2024, 2024, 2023, 2024]

df.groupby(["部门", "年份"])[["薪资"]].sum()

结果索引变成两层（部门、年份），这就是 MultiIndex，§22 讲过。想要平的 DataFrame，在 groupby 时加 as_index=False：

df.groupby(["部门", "年份"], as_index=False)[["薪资"]].sum()

分组键就变回普通列了，后续做其他处理更方便。

分组键还可以是 Series

分组键不一定是列名。传一个与行数等长的 Series 或列表，效果一样：

df.groupby(df["部门"])[["薪资"]].mean()     # 等价于 df.groupby("部门")

官方文档里 df.groupby("部门") 就是这写法的语法糖。灵活之处在于：可以用一列经过计算后的结果当分组键，也可以把一个 Series 同时用于多个 DataFrame 的分组。

多列分组时，get_group 要传元组：

df.groupby(["部门", "年份"]).get_group(("技术", 2023))

分组对象怎么查看

分组对象本身看不到数据，但有几个属性帮你看清结构：

grouped.groups     # 字典：分组名 -> 组内行索引
len(grouped)        # 分组个数
grouped.ngroups     # 分组个数，和 len 一样

groups 返回一个字典，键是分组名（如 “技术”），值是该组所有行的索引。注意值是索引标签，不是行号。

单独取出某一组的数据，用 get_group：

grouped.get_group("技术")

取回的是完整的小 DataFrame，包含组名列。

遍历分组

分组对象可以像字典一样迭代，每次拿到 (分组名, 组数据)：

for name, group in grouped:
    print(name)
    print(group)

多列分组时，name 是一个元组，比如 (“技术”, 2023)。遍历适合调试和”每个组做不同的事”的场景，但性能一般，能用聚合方法解决的别用循环。

列选择

分组后只想算某一列，用方括号选列，和 DataFrame 选列一样：

grouped["薪资"].sum()      # 返回 Series
grouped[["薪资"]].sum()    # 返回 DataFrame

先选列再聚合，只计算需要的列，比全表聚合后再取列更快。

聚合初体验

最常见的三个聚合：

df.groupby("部门")[["薪资"]].sum()     # 求和
df.groupby("部门")[["薪资"]].mean()    # 平均
df.groupby("部门").size()              # 每组的行数

size 返回每组的记录条数，包含缺失值；count 只数非缺失值。看”这个组有多少人”用 size 就对了。

分组结果默认按键排序，想按数据里出现的顺序排，传 sort=False：

df.groupby("部门", sort=False)[["薪资"]].sum()

分组键不止列名

groupby 的键可以是：

• 列名或索引层级名（字符串）
• 长度与行数相同的列表或数组
• 与索引等长的 Series
• 按索引标签计算的函数

比如按索引长度分组、按年份分组（§40 展开），入门阶段先知道”能这么用”就行。

分组对象还能干什么

分组对象上挂了一整套方法，按用途分四类，后面三章逐个展开：

• 聚合：sum、mean、agg——每组压成一行
• 变换：cumsum、transform——保持行数，逐组计算
• 过滤：filter、head、tail、nth——按条件删组
• 灵活应用：apply——结果形状自由

小结

分组对象是整套分组分析的地基：惰性创建、groups 查看、get_group 取组、迭代遍历、选列聚合。下一步（§38）把”聚合”玩出花。