本课导读
前五课都在"整理"数据，这课开始"拷问"数据：各城市卖了多少？每类产品平均单价？谁是销冠？——这类"按 X 分组看 Y"的问题是一切业务分析的原型，pandas 的答案叫 groupby。你其实早就手写过它（U0.4 的"遍历 + 字典计数"、U1.3 项目的分组归档），今天见它的终极形态：一行出结果。预计 60 分钟。
从手写分组到 groupby
先看你的老手艺，再看工业版——同一个问题："各城市销售额合计"：
Python
import pandas as pd
raw = """order_id,product,city,amount
1001,键盘,上海,299
1002,鼠标,北京,178
1003,显示器,上海,1599
1004,键盘,深圳,897
1005,鼠标,北京,89
1006,耳机,上海,918"""
with open("orders.csv", "w", encoding="utf-8") as f:
f.write(raw)
df = pd.read_csv("orders.csv")
# 老手艺（U0.4 的遍历 + 字典收集）：
totals = {}
for _, row in df.iterrows():
totals[row["city"]] = totals.get(row["city"], 0) + row["amount"]
print(totals)
print("―" * 30)
# 工业版：一行
print(df.groupby("city")["amount"].sum())
读法拆解 df.groupby("city")["amount"].sum()，三段式：
groupby("city")——按城市把行分堆（上海一堆、北京一堆…）["amount"]——每堆里只关心金额列.sum()——对每堆执行聚合（求和）
提示
类比记忆：groupby 是把一副扑克按花色分堆，再对每堆做同一件事（数张数、加点数、找最大）。口诀读作"按什么分、看什么列、算什么数"——任何 groupby 语句都能这么读出声。
聚合函数随便换：.sum() 合计、.mean() 平均、.count() 计数、.max()/.min() 极值。换着问几个问题：
Python
import pandas as pd
raw = """order_id,product,city,amount
1001,键盘,上海,299
1002,鼠标,北京,178
1003,显示器,上海,1599
1004,键盘,深圳,897
1005,鼠标,北京,89
1006,耳机,上海,918"""
with open("orders.csv", "w", encoding="utf-8") as f:
f.write(raw)
df = pd.read_csv("orders.csv")
print(df.groupby("product")["amount"].mean()) # 各产品平均客单
print("―" * 30)
print(df.groupby("city")["order_id"].count()) # 各城市订单量
print("―" * 30)
# 结果是 Series，接着用老功夫：排序找冠军
print(df.groupby("city")["amount"].sum().sort_values(ascending=False))
注意最后一招：groupby 的结果还是 Series/DataFrame，排序、head、筛选照常连招——流水线不断。
一次算多个指标：agg
老板从来不只问一个数："各城市的总额、平均、单数都给我"——agg 一次交齐：
Python
import pandas as pd
raw = """order_id,product,city,amount
1001,键盘,上海,299
1002,鼠标,北京,178
1003,显示器,上海,1599
1004,键盘,深圳,897
1005,鼠标,北京,89
1006,耳机,上海,918"""
with open("orders.csv", "w", encoding="utf-8") as f:
f.write(raw)
df = pd.read_csv("orders.csv")
report = df.groupby("city")["amount"].agg(["sum", "mean", "count"])
print(report)
print("―" * 30)
# 列名太程序员？改成人话再交差：
report.columns = ["总额", "平均单价", "订单数"]
print(report.round(1))
agg(["sum", "mean", "count"])——把聚合函数名列成清单，一次全算。产出直接就是一张报表（round(1) 顺手控制小数位）。
多列分组：更细的切面
"每个城市每种产品卖了多少"——按两个维度分堆，groupby 收个列表就行：
Python
import pandas as pd
raw = """order_id,product,city,amount
1001,键盘,上海,299
1002,鼠标,北京,178
1003,显示器,上海,1599
1004,键盘,深圳,897
1005,鼠标,北京,89
1006,键盘,上海,598"""
with open("orders.csv", "w", encoding="utf-8") as f:
f.write(raw)
df = pd.read_csv("orders.csv")
by_two = df.groupby(["city", "product"])["amount"].sum()
print(by_two)
print("―" * 30)
# 层级看着费劲？reset_index() 拍平成普通表格
print(by_two.reset_index())
两个实用点：分组列表 ["city", "product"] 顺序即层级（先按城市、城市内再按产品）；结果的"缩进式"行标签叫多级索引，看着费劲就 reset_index() 拍平成普通表——拍平之后又是熟悉的 DataFrame，接着筛选排序都随意。
value_counts 再登场：最快的"分组计数"
上节课的显微镜其实是 groupby 的特化快捷键——"按这列分组、数每组行数、降序排好"：
Python
import pandas as pd
raw = """order_id,product,city
1001,键盘,上海
1002,鼠标,北京
1003,显示器,上海
1004,键盘,上海
1005,鼠标,北京"""
with open("orders.csv", "w", encoding="utf-8") as f:
f.write(raw)
df = pd.read_csv("orders.csv")
print(df["city"].value_counts()) # 等价于 groupby("city").size() 再降序
print(df["city"].value_counts(normalize=True).round(2)) # 加 normalize：占比！
只是数次数就用 value_counts（还能一键出占比）；要算金额等其他列才请 groupby——快捷键和全功能各有主场。
✍️ 练习
练习 1：口播翻译
把三句业务提问翻译成 groupby（用"按什么分、看什么列、算什么数"口诀）：① 各部门平均工资 ② 各部门人数 ③ 各部门最高工资，并降序排列。
Python
import pandas as pd
raw = """name,dept,salary
小雨,设计,12000
阿杰,运营,9500
丽丽,设计,13000
老王,销售,11000
小陈,运营,8800"""
with open("staff.csv", "w", encoding="utf-8") as f:
f.write(raw)
df = pd.read_csv("staff.csv")
# 你的代码写在下面
✅ 参考答案
import pandas as pd
raw = """name,dept,salary
小雨,设计,12000
阿杰,运营,9500
丽丽,设计,13000
老王,销售,11000
小陈,运营,8800"""
with open("staff.csv", "w", encoding="utf-8") as f:
f.write(raw)
df = pd.read_csv("staff.csv")
print(df.groupby("dept")["salary"].mean())
print(df.groupby("dept")["name"].count())
print(df.groupby("dept")["salary"].max().sort_values(ascending=False))
练习 2：一张报表交差
运营周会要一张表：各产品的销售总额、平均值、订单数，列名用中文，按总额降序。
Python
import pandas as pd
raw = """order_id,product,amount
1001,键盘,299
1002,鼠标,178
1003,显示器,1599
1004,键盘,897
1005,鼠标,89
1006,键盘,598"""
with open("orders.csv", "w", encoding="utf-8") as f:
f.write(raw)
df = pd.read_csv("orders.csv")
# 你的代码写在下面
💡 提示
agg 三件套 → columns 改中文 → sort_values("总额", ascending=False)。
✅ 参考答案
import pandas as pd
raw = """order_id,product,amount
1001,键盘,299
1002,鼠标,178
1003,显示器,1599
1004,键盘,897
1005,鼠标,89
1006,键盘,598"""
with open("orders.csv", "w", encoding="utf-8") as f:
f.write(raw)
df = pd.read_csv("orders.csv")
report = df.groupby("product")["amount"].agg(["sum", "mean", "count"])
report.columns = ["总额", "平均", "订单数"]
print(report.sort_values("总额", ascending=False).round(1))
练习 3：先洗后问（挑战）
真实节奏：这份数据带脏（城市空格、金额脏值）。先用上节课的流水线洗净，再回答"各城市有效销售总额，谁第一？"——洗和问必须在同一段代码里完成。
Python
import pandas as pd
raw = """order_id,city,amount
1001, 上海,299
1002,北京 ,178
1003,上海,1599
1004,深圳,补录中
1005, 北京,89
1006,上海,918"""
with open("dirty_orders.csv", "w", encoding="utf-8") as f:
f.write(raw)
df = pd.read_csv("dirty_orders.csv")
# 你的代码写在下面
✅ 参考答案
import pandas as pd
raw = """order_id,city,amount
1001, 上海,299
1002,北京 ,178
1003,上海,1599
1004,深圳,补录中
1005, 北京,89
1006,上海,918"""
with open("dirty_orders.csv", "w", encoding="utf-8") as f:
f.write(raw)
df = pd.read_csv("dirty_orders.csv")
df["city"] = df["city"].str.strip()
df["amount"] = pd.to_numeric(df["amount"], errors="coerce")
df = df.dropna(subset=["amount"])
result = df.groupby("city")["amount"].sum().sort_values(ascending=False)
print(result)
print(f"销冠城市：{result.index[0]}")
不洗直接 groupby 的话：上海会分裂成两组、"补录中"直接让求和报错——清洗永远在分析前面，这是下一课项目和真实工作的铁律。
📝 随堂测验
1. df.groupby("city")["amount"].sum() 的三段式读法是？
2. “各城市的总额、平均、订单数一次算齐”，用什么？
3. groupby(["city", "product"]) 结果的缩进式行标签看着费劲，怎么拍平？
4. 只想数“每个城市各有几行”，最快的写法是？
5. 对带脏数据的表直接 groupby 会发生什么？
本课小结
- groupby 口诀：按什么分、看什么列、算什么数——
df.groupby("列")["列"].sum()
- 多指标
agg([...]) 出报表；多列分组出层级，reset_index() 拍平；结果可继续排序连招
- 只数次数用
value_counts()（normalize 出占比）；算账用 groupby
- 铁律：清洗在分析前面——脏数据会被分组统计忠实放大
下一课把多张表"合体"：订单表连上客户表——merge 与 concat，数据界的接亲家。