归档157

586 字

3 分钟

pandas groupby 分组统计笔记

2026-07-01

数据分析

pandas

groupby

pandas groupby 分组统计笔记#

做表格分析时，经常会遇到一个问题：原始数据是一行一条记录，但我们真正想看的结果是按类别汇总后的统计值。比如按商品类别统计销售额，按班级统计平均分，按日期统计订单数量。

在 pandas 里，这类问题一般用 groupby 解决。

1、准备一份示例数据#

1
import pandas as pd
2

3
data = {
4
    "日期": ["2026-07-01", "2026-07-01", "2026-07-02", "2026-07-02"],
5
    "类别": ["图书", "数码", "图书", "数码"],
6
    "销量": [3, 2, 5, 1],
7
    "单价": [40, 300, 35, 280],
8
}
9

10
df = pd.DataFrame(data)
11
df["销售额"] = df["销量"] * df["单价"]
12
print(df)

这里先增加一列 销售额，后面统计时会用到。

2、按一个字段分组#

如果想看每个类别的总销售额：

1
result = df.groupby("类别")["销售额"].sum()
2
print(result)

输出结果的索引就是类别，值就是每个类别汇总后的销售额。

如果希望结果仍然是普通表格，可以加上：

1
result = df.groupby("类别", as_index=False)["销售额"].sum()
2
print(result)

as_index=False 对后续导出 Excel 或继续合并数据比较方便。

3、按多个字段分组#

如果想看每天、每个类别的销售额：

1
result = df.groupby(["日期", "类别"], as_index=False)["销售额"].sum()
2
print(result)

多个字段分组时，可以理解为先按日期分，再在每个日期里面按类别分。

4、一次统计多个指标#

实际分析时，经常不只看一个指标。可以使用 agg：

1
summary = df.groupby("类别", as_index=False).agg(
2
    总销量=("销量", "sum"),
3
    平均单价=("单价", "mean"),
4
    总销售额=("销售额", "sum"),
5
)
6
print(summary)

这种写法的好处是输出列名可以自己命名，结果比较清楚。

5、排序和筛选#

汇总后通常还要排序：

1
summary = summary.sort_values("总销售额", ascending=False)
2
print(summary)

也可以筛选出销售额较高的类别：

1
high = summary[summary["总销售额"] > 200]
2
print(high)

这样就能从原始明细数据得到更适合观察的统计结果。

总结#

groupby 的核心思路是“先分组，再统计”。单字段分组适合看某个类别的汇总，多字段分组适合看交叉维度，agg 适合一次输出多个指标。写分析代码时，可以先把问题翻译成“按什么分组、统计什么列、使用什么函数”，再去写 pandas 代码。

文章分享

如果这篇文章对你有帮助，欢迎分享给更多人！

pandas groupby 分组统计笔记

https://blog.tjcheng.cn/posts/daily/2026-07-01/pandas-groupby-summary/

作者

TengJinCheng

发布于

2026-07-01

许可协议

CC BY-NC-SA 4.0

五险一金到底包含什么

Python import 报错排查清单

音乐

音乐