八个区，均价从 8981 到 19105 元，差 2.13 倍；造数时写的基准价是 2.19 倍。 房源最多的三个区合起来占 44.85%；越贵的区，房源越少。 报均价必须连套数一起报——郊县只有 60 套，它的均价分量和别人不一样。
上一篇把数据洗到 1184 行，这一篇开始分组统计，用的是第 3 章的 groupby 和第 7 章的对比思路。 分组统计看着简单，难的是「分组之后该看哪几个数」——这一篇就是回答这个。
一、一句 groupby 出四列
按区域分组，一次要四个数：套数、占比、均价、平均总价。
agg 里给每个指标指定聚合函数：套数用 count，均价和总价用 mean。
占比要自己算：这一组的套数除以总行数。它是派生列，不是原表里有的。
排序也有讲究。比均价就按均价排，比套数就按套数排，两张表排法不一样，结论也不一样。
二、两个「均价」别混
表里有两个「均价」：一个是元每平米（单价），一个是万元每套（总价）。 这次排出来，城中 19105 元每平米、平均总价 172.36 万；郊县 8981 元、86.69 万。 两个排名这次一致，但不保证永远一致。豪宅区可能单价高、套均总价也高； 小户型扎堆的核心区单价高、总价却不高。
所以报告里必须写清是哪一个。只写「均价」，读者会按自己习惯的那个理解。
三、贵在哪，便宜在哪
均价最高城中 19105 元，最低郊县 8981 元，差 2.13 倍。 造数据时写进去的基准价是 21000 和 9600，正好 2.19 倍。跑出来 2.13 倍。 两个数差一点，是装修、房龄、楼层三个系数各叠了一层，再加上噪声。
这句话在真实项目里很重要：理论值和实测值总有差，差得少说明机制对，差得多说明还有别的因素。 第二名城东 16577 元，比城中低 13.2%，两个区基本在一个档上——排名第一和第二之间不一定有断层。
四、占比：市场的形状
套数最多的三个区是城东 195 套、城北 169 套、城南 167 套，合起来占 44.85%。 贵的区房源少，便宜的区房源多——城中只占 10.14%，郊县只有 5.07%。 这个形状放到业务里就有用：想找成交快的房子，去城东城北；想找便宜货，去经开郊县。
只报占比，会以为市场很均衡；只报均价，会以为贵的区是主流。两张表一起看才对。
五、样本量：小样本的均价不能当结论
八个区的套数从 60 到 195，还算均衡，这次可以横向比。 但要养成习惯：报区域均价，一定把套数一起报。 套数 60 的区，多两套豪宅就能把均价拉上去几百块；套数 600 的区，多两套几乎没影响。
下结论前先看样本量，是分组统计的铁律。样本 5 个的组，那个均值只是「这 5 个的平均」。 最后一句话总结：城中 19105 元最贵，郊县 8981 元最便宜，城东 195 套房源最多。
六、动手 Demo：区域二手房均价与占比分析
一句 groupby 加 agg 出套数、均价、平均总价，占比自己算，最后按均价排序。 读的是清洗后的那份，1184 行。
import pandas as pd
df = pd.read_csv("二手房数据_clean.csv")
g = df.groupby("区域").agg(套数=("编号", "count"),
均价=("单价", "mean"),
平均总价=("总价", "mean"))
g["占比"] = g["套数"] / len(df) * 100
g = g.sort_values("均价", ascending=False)
print(g.round(2).to_string())
print("最贵 %s %d 元，最便宜 %s %d 元，差 %.2f 倍"
% (g.index[0], g["均价"].iloc[0], g.index[-1], g["均价"].iloc[-1],
g["均价"].iloc[0] / g["均价"].iloc[-1]))
print("套数前三合起来占 %.2f%%"
% (g["套数"].nlargest(3).sum() / len(df) * 100))
实跑输出：
--------------------------------------------------------------------
区域二手房均价与占比分析
--------------------------------------------------------------------
① 各区有多少套
--------------------------------------------------------------------
| 区域 | 套数 | 占比 | 均价（元） | 平均总价（万） |
|---|---:|---:|---:|---:|
| 城中 | 120 | 10.14% | 19105 | 172.36 |
| 城东 | 195 | 16.47% | 16577 | 157.87 |
| 城西 | 162 | 13.68% | 15352 | 143.56 |
| 高新 | 149 | 12.58% | 14765 | 132.91 |
| 城南 | 167 | 14.10% | 14334 | 130.79 |
| 城北 | 169 | 14.27% | 12818 | 119.63 |
| 经开 | 162 | 13.68% | 11265 | 108.97 |
| 郊县 | 60 | 5.07% | 8981 | 86.69 |
一共 1184 套，八个区。
套数最多的是 城东，195 套；最少的是 郊县，60 套。
② 均价：贵在哪，便宜在哪
--------------------------------------------------------------------
均价最高 城中，19105 元；最低 郊县，8981 元；差 2.13 倍。
造数时写的基准价是 21000 和 9600，正好 2.19 倍；跑出来是 2.13 倍。
两个差一点，是装修、房龄、楼层三个系数和噪声各自加了一层。
排名第二的是 城东，16577 元；比第一名低 13.2%，两个区基本在一个档上。
均价是「每平米多少钱」，不是「一套多少钱」。两个数经常给出不同的排名。
③ 占比：房源都堆在哪
--------------------------------------------------------------------
按套数排，前三名是 城东 195 套、城北 169 套、城南 167 套。
前三名合起来占 44.85%。
占比和均价要摆在一张表里看：贵的区房源少，便宜的区房源多，这才是市场的形状。
只报占比，会以为市场很均衡；只报均价，会以为贵的区是主流。两个一起看才对。
④ 样本量：小样本的均价不能当结论
--------------------------------------------------------------------
这次每个区的套数都在 60 以上，样本量还算均衡，均价可以横向比。
下结论前先看样本量，是分组统计的铁律。样本 5 个的组，均值只是「这 5 个的平均」。
! 真项目里报区域均价，一定要把套数一起报。只报均价不报样本量，等于给了半个结论。
⑤ 结论怎么写
--------------------------------------------------------------------
一句话：城中最贵（19105 元），郊县最便宜（8981 元），城东房源最多（195 套）。
结论要能一句说完，才说明真的看懂了。说不成一句，就是还没想清楚。
下一篇换两个维度：装修程度和户型。这两列都是分类变量，统计的是频数和均价。
agg 里写 ("编号", "count") 是「命名聚合」：左边是新列名，右边是要算的列和函数。
count 数非空值，size 数行数。编号没有空，两个结果一样；换成一列有空值的字段就不同了。
排序放在算完占比之后，顺序反了排序会打乱，占比那一列就对不上号了。
30 秒实验
- 把
count换成size，看套数变没变，想想什么情况下会变。 - 按套数重新排一次序，看前三名换成哪三个区。
- 想一想：为什么郊县只有 60 套，均价却未必最不稳？
常见误区
- 把均价窄化成「元每平米」：不注意就会把「套均总价」也当均价，两个数差两个数量级。
- 只报均价不报套数：小样本的均价波动大，读者没法判断该信几分。
- 占比忘了除总数：直接拿套数当占比，加起来一百多，自己都看不出错。
- 排序和计算顺序颠倒：先排序再算占比，
len(df)没错，但行号对不上就白算。
自测三问（点开对答案）
1. 「均价」这个词这次指哪两个数？ —— 单价（元每平米）和套均总价（万元每套）。两个排名可能不一样，报告里必须写清。 2. 实测 2.13 倍，造数写的是 2.19 倍，说明数据错了吗？ —— 没写错。系数叠了装修、房龄、楼层再加噪声，差一点是正常的。差很多才要查。 3. 为什么报区域均价一定要带套数？ —— 套数少的区，几套异常房就能把均值拉偏。不带套数，读者没法判断这个均价可信度多高。区域看完了。下一篇换两个维度：装修程度和户型，都是分类变量。
- ☐ （本篇完，下一篇 11.5 装修程度与热门户型）