Pandas高效操作：数据分组与聚合的实战指南

引言 / 什么是数据分组与聚合

在数据分析工作中，我们经常需要面对海量数据，如何从这些数据中快速提取有价值的信息是关键。Pandas作为Python中最强大的数据分析库之一，其groupby()函数和聚合操作（如sum()、mean()、max()等）为我们提供了高效的解决方案。

数据分组是指按照某个或某些标准将数据集划分为多个组，而聚合则是对每个组进行统计计算。这种组合操作可以帮助我们快速发现数据中的模式和趋势，例如：计算不同地区的销售总额、分析不同用户群体的行为特征等。

本文将通过实际案例，详细介绍如何使用Pandas进行数据分组与聚合操作，帮助你掌握这一高效的数据分析技巧。

准备工作

在开始之前，请确保你已经安装了Pandas库。如果没有安装，可以使用以下命令安装：

pip install pandas

我们还需要准备一些示例数据。这里我们创建一个简单的销售数据集：

import pandas as pd

data = {
    '日期': ['2026-01-01', '2026-01-01', '2026-01-02', '2026-01-02', '2026-01-03', '2026-01-03'],
    '地区': ['北京', '上海', '北京', '上海', '北京', '上海'],
    '产品': ['A', 'A', 'B', 'B', 'A', 'B'],
    '销售额': [1000, 1500, 1200, 1800, 900, 2000],
    '数量': [10, 15, 12, 18, 9, 20]
}

df = pd.DataFrame(data)
print(df)

输出结果：

         日期 地区 产品  销售额  数量
0  2026-01-01  北京  A  1000  10
1  2026-01-01  上海  A  1500  15
2  2026-01-02  北京  B  1200  12
3  2026-01-02  上海  B  1800  18
4  2026-01-03  北京  A   900   9
5  2026-01-03  上海  B  2000  20

基础操作 / 核心用法

步骤一：使用groupby进行数据分组

groupby()函数是Pandas中实现数据分组的核心方法。它的基本语法如下：

grouped = df.groupby(by='分组列名')

让我们先按照"地区"列对数据进行分组：

region_group = df.groupby('地区')
print(region_group)

输出结果：

<pandas.core.groupby.generic.DataFrameGroupBy object at 0x7f8b7c3b3a90>

可以看到，groupby()返回的是一个DataFrameGroupBy对象，而不是直接显示分组结果。要查看分组后的数据，我们可以使用聚合函数或遍历分组对象。

步骤二：对分组数据进行聚合计算

最常用的聚合操作是计算每个组的统计量。Pandas提供了多种聚合方法：

1. 基本聚合函数：
   • sum(): 求和
   • mean(): 平均值
   • max(): 最大值
   • min(): 最小值
   • count(): 计数
   • std(): 标准差

让我们计算每个地区的销售总额和平均销售额：

region_sales = df.groupby('地区')['销售额'].agg(['sum', 'mean'])
print(region_sales)

输出结果：

       sum    mean
地区               
北京   3100  1033.333333
上海   5300  1766.666667

2. 多列聚合：

我们也可以同时对多列进行不同的聚合计算：

region_stats = df.groupby('地区').agg({
    '销售额': ['sum', 'mean', 'max'],
    '数量': ['sum', 'mean']
})
print(region_stats)

输出结果：

        销售额               数量    
          sum        mean max sum  mean
地区                                  
北京   3100  1033.333333 1200  31  10.333333
上海   5300  1766.666667 2000  53  17.666667

进阶技巧

技巧一：多列分组

除了单列分组，我们还可以按照多列进行分组。例如，我们想分析不同地区不同产品的销售情况：

region_product_group = df.groupby(['地区', '产品'])['销售额'].sum()
print(region_product_group)

输出结果：

地区  产品
北京  A    1900
     B    1200
上海  A    1500
     B    3800
Name: 销售额, dtype: int64

这是一个多级索引的结果。我们可以使用unstack()方法将其转换为更易读的表格形式：

region_product_table = df.groupby(['地区', '产品'])['销售额'].sum().unstack()
print(region_product_table)

输出结果：

产品     A     B
地区            
北京  1900  1200
上海  1500  3800

技巧二：自定义聚合函数

除了内置的聚合函数，我们还可以定义自己的聚合函数。例如，计算销售额与数量的比值（平均单价）：

def avg_price(group):
    return group['销售额'].sum() / group['数量'].sum()

region_avg_price = df.groupby('地区').apply(avg_price)
print(region_avg_price)

输出结果：

地区
北京    100.0
上海    100.0
dtype: float64

或者使用agg()方法配合lambda函数：

region_avg_price = df.groupby('地区').agg(
    avg_price=('销售额', lambda x: x.sum() / df.loc[x.index, '数量'].sum())
)
print(region_avg_price)

技巧三：分组后筛选数据

有时候我们需要在分组后对组内数据进行筛选。例如，找出每个地区销售额最高的产品：

# 方法1：使用idxmax()获取每组最大值的索引
top_products = df.loc[df.groupby('地区')['销售额'].idxmax()]
print(top_products)

输出结果：

         日期 地区 产品  销售额  数量
1  2026-01-01  上海  A  1500  15
0  2026-01-01  北京  A  1000  10
5  2026-01-03  上海  B  2000  20

常见问题

Q：groupby后如何重置索引？

A：使用reset_index()方法可以将分组键从索引转换为列：

region_sales = df.groupby('地区')['销售额'].sum().reset_index()
print(region_sales)

Q：如何对分组后的结果进行排序？

A：可以使用sort_values()方法：

region_sales = df.groupby('地区')['销售额'].sum().sort_values(ascending=False)
print(region_sales)

Q：如何计算分组后的百分比？

A：可以先计算总和，然后除以总和：

total_sales = df['销售额'].sum()
region_percentage = df.groupby('地区')['销售额'].sum() / total_sales
print(region_percentage)

Q：如何对分组后的多个列应用不同的聚合函数？

A：可以使用字典指定不同列的聚合方式：

stats = df.groupby('地区').agg({
    '销售额': ['sum', 'mean'],
    '数量': 'sum'
})
print(stats)

小结

本文详细介绍了Pandas中数据分组与聚合的核心操作，包括：

1. 使用groupby()函数进行单列或多列分组
2. 对分组数据进行各种聚合计算（sum、mean、max等）
3. 高级技巧如自定义聚合函数、分组后筛选数据
4. 常见问题的解决方案

掌握这些技巧后，你可以轻松处理各种数据分析场景，如：

• 计算不同时间段的销售趋势
• 分析不同用户群体的行为特征
• 比较不同产品的市场表现

建议读者在实际项目中多加练习，熟练掌握这些操作将大大提高你的数据分析效率。