一、迭代每一组

for k, g in df.groupby('班级') 每轮拿到组名和一张子表。 一班 5 人、语文均值 86.00；二班 5 人、语文均值 79.40。 子表是完整的 DataFrame，想算什么都行，想画图、想存文件都行。

迭代慢。能用 agg 就别迭代，只有「每组要做不同的动作」时才值得循环。 行数一多，迭代的代价是几十倍的差距，不是百分之几。

二、不同列配不同函数：字典 agg

agg({'语文': 'mean', '数学': 'max', '英语': 'min'})，三列三种算法。 键是列名，值是函数名。看不出来的是：这三列的语义已经不一样了。 一列是均值、一列是最高、一列是最低——表头得写清楚，不然读者会横向比较。

这一句是分组统计的主力写法。它把「哪列配哪个函数」写得明明白白。

三、塞一个自定义函数

定义一个极差函数：def spread(s): return s.max() - s.min()。 直接塞进 agg：df.groupby('班级')[ ['语文','数学'] ].agg(spread)。

一班语文极差 17 分，二班 27 分——二班分得更散，虽然均值只差 6.6。 自定义函数拿到的是「一列数」，也就是一个 Series。按 Series 的写法写就行。 它必须返回一个数。返回一整列会报错，因为 agg 要的是「一组压成一个值」。

四、三种写法对照

四种可以混：agg({'语文': ['mean', spread]})，一列上跑一个现成的加一个自定义的。 结果会变成多级列名，上面一层是列名、下面一层是函数名。想拉平用 droplevel。

五、动手 Demo：分组之后：迭代、agg 与自定义函数

先迭代一遍看清每组长什么样，再用字典 agg 和自定义函数各算一次。 最后把三种 agg 写法摆在一起比。

import pandas as pd

DF = pd.DataFrame({
    "姓名": ["张伟", "王芳", "李娜", "刘洋", "陈静",
             "杨帆", "赵敏", "黄磊", "周涛", "吴霞"],
    "班级": ["一班"] * 5 + ["二班"] * 5,
    "语文": [88, 92, 75, 85, 90, 68, 95, 72, 83, 79],
    "数学": [92, 95, 68, 88, 73, 82, 91, 65, 86, 90],
    "英语": [85, 90, 80, 79, 95, 71, 88, 60, 84, 87],
})

for k, g in DF.groupby("班级"):
    print("%s：%d 人，语文均值 %.2f" % (k, len(g), g["语文"].mean()))

def spread(s):
    return s.max() - s.min()

M = DF.groupby("班级").agg({"语文": "mean", "数学": "max", "英语": "min"})
print(M.round(2).to_string())

print(DF.groupby("班级")[ ["语文", "数学"]].agg(spread).to_string())

print(DF.groupby("班级")["语文"].agg(["mean", spread]).round(2).to_string())

实跑输出：

--------------------------------------------------------------------
分组之后：迭代、agg 与自定义函数
--------------------------------------------------------------------

  ① 迭代每一组
  --------------------------------------------------------------------
  一班：5 人，语文均值 86.00。
  二班：5 人，语文均值 79.40。
  迭代给的是（组名, 子表）两样东西，子表就是一个完整的 DataFrame。
  想对每组单独做复杂的事（画图、存文件），就在这个循环里写。
  ! 迭代慢，能用 agg 就别迭代。只有「每组要做不同的动作」时才值得循环。

  ② 不同列配不同函数
  --------------------------------------------------------------------

| 班级 | 语文 | 数学 | 英语 |
|---|---:|---:|---:|
| 一班 | 86.0 | 95 | 79 |
| 二班 | 79.4 | 91 | 60 |

  传一个字典，键是列名、值是函数名，一次算出三样不同的东西。
  一班数学最高 95，二班英语最低 60。
  ! 字典 agg 是分组统计的主力写法。它把「哪列配哪个函数」写得明明白白。

  ③ 塞一个自定义函数
  --------------------------------------------------------------------
  自定义一个极差函数，直接塞进 agg：

| 班级 | 语文 | 数学 |
|---|---:|---:|
| 一班 | 17 | 27 |
| 二班 | 27 | 26 |

  一班语文极差 17，二班 27。二班分得更散。
  ! 自定义函数拿到的是「一列数」，也就是一个 Series，按 Series 的写法写就行。

  ④ 三个易错点
  --------------------------------------------------------------------

| 现象 | 原因 |
|---|---|
| 分组后少了一组 | 那列是空值，groupby 默认丢掉（dropna=False 可留） |
| 结果行标签乱了 | 分组键成了标签，reset_index 拉平 |
| 自定义函数报错 | 函数要接 Series 返回单值，别返回整列 |

  这三条几乎每次做分组都会撞上一条，记住了能省不少时间。
  ! 分组统计的数一定要和总量对得上：各组人数加起来要等于总行数。

最后一个把现成函数和自定义函数放在一个列表里，一列上跑两个——这是 agg 最灵活的地方。 迭代里能做的事，agg 里未必能做；agg 能做的事，迭代一定也能做，只是慢。

30 秒实验

1. 把 spread 改成返回 s.mean() + 1，看结果变化。
2. 给 agg 传 {'语文': ['mean', 'max']}，看列名变成几层。
3. 想一想：为什么 agg 要求函数「返回一个数」而不是「返回一列」？

常见误区

1. 自定义函数返回整列：agg 报错，因为一组要压成一个值。
2. 字典 agg 的键写错列名：报 KeyError，或者悄悄少一列。
3. 迭代里改原表：改的是子表的副本，原表不动。
4. 多级列名不拉平就导出：Excel 里表头变成两行，下游对不上。

分组键一直是表里的一列。下一篇讲键不在表里怎么办：用字典和 Series 指认。

• ☐ （本篇完，下一篇 4.8 用字典和 Series 分组）

相关笔记

• groupby：按类聚起来算
• 用字典和 Series 分组
• 求和、均值、最大最小
• 📊 Python 数据分析 · 索引