agg() 方法
使用 agg() 一次应用多个聚合函数，并传入字典为不同列计算不同统计量。
agg() 方法 是 CoddyKit 上的免费 Pandas & NumPy Academy 课时。 这是第 3 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Pandas & NumPy Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Pandas & NumPy Academy 课程共包含 4 节课。
为什么使用 agg()？
直接对 GroupBy 对象调用 sum() 或 mean() 只能得到一个统计量。但实际分析通常需要同时计算多个统计量——例如每个地区的收入总额、平均订单金额和订单数量。agg() 方法（aggregate 的缩写）可以通过一次高效调用完成所有这些计算，而不必分别执行聚合后再合并结果。
传递函数名列表
agg() 最简单的用法是传递一个由函数名字符串组成的列表。Pandas 会将每个函数应用于选定的列，并返回一个 DataFrame，其中每列对应一个函数。这种方式适用于任何内置聚合名称：'sum'、'mean'、'min'、'max'、'count'、'std'、'median' 等。
import pandas as pd
df = pd.DataFrame({
'region': ['East', 'West', 'East', 'West', 'East', 'West'],
'revenue': [200, 340, 150, 290, 310, 410],
'units': [20, 35, 15, 30, 28, 40]
})
result = df.groupby('region')['revenue'].agg(['sum', 'mean', 'count', 'max'])
print(result)
# sum mean count max
# region
# East 660 220.000000 3 310
# West 1040 346.666667 3 410使用命名聚合重命名输出列
传递字符串列表时，输出列会以函数本身命名（'sum'、'mean' 等）。为了得到更清晰的输出，请使用命名聚合：传递关键字参数，其中键是您希望使用的列名，值是由 (column, function) 组成的元组。这是现代 Pandas 推荐的方式，可以生成自解释的代码。
result = df.groupby('region').agg(
total_revenue=('revenue', 'sum'),
avg_revenue=('revenue', 'mean'),
order_count=('revenue', 'count'),
max_order=('revenue', 'max')
)
print(result)
# total_revenue avg_revenue order_count max_order
# region
# East 660 220.000000 3 310
# West 1040 346.666667 3 410为不同列使用不同函数
您可以向 agg() 传递一个字典，其中每个键是列名，每个值是应用于该列的函数（或函数列表）。这样，您就可以在一次 GroupBy 调用中对 revenue 计算 sum，同时对 units 计算 mean。
result = df.groupby('region').agg({
'revenue': ['sum', 'mean'],
'units': ['sum', 'max']
})
print(result)
# revenue units
# sum mean sum max
# region
# East 660 220.000000 63 28
# West 1040 346.666667 105 40使用字典 agg() 生成列 MultiIndex
当您为某列传递多个函数时，结果的列索引会是一个 MultiIndex。第一层是原始列名，第二层是函数名。您可以使用列表推导式将这些列名展平为单个字符串，使结果更便于后续处理。
result = df.groupby('region').agg({'revenue': ['sum', 'mean'], 'units': 'sum'})
# Flatten MultiIndex columns
result.columns = ['_'.join(c).strip() for c in result.columns]
print(result.columns.tolist())
# ['revenue_sum', 'revenue_mean', 'units_sum']在 agg() 中使用自定义函数
除了字符串名称外，您还可以向 agg() 传递任意可调用的 Python 对象。该函数会接收一个 Series（即某个组中该列的值），并且必须返回一个标量。您可以传递 lambda 或命名函数。自定义函数更加灵活，但速度比内置命名函数慢，因为它们无法使用 C 层面的优化。
def revenue_range(s):
return s.max() - s.min()
result = df.groupby('region')['revenue'].agg(['sum', revenue_range])
print(result)
# sum revenue_range
# region
# East 660 160
# West 1040 120使用自定义函数进行命名聚合
命名聚合语法同样适用于可调用函数，而不仅仅是字符串名称。只需将 (column, function) 这样的元组作为关键字参数值传入，其中 function 可以是任何接收一个 Series 并返回标量的可调用对象。即使需要将内置逻辑与自定义逻辑混合使用，这种写法也能让代码保持易读。
result = df.groupby('region').agg(
total=('revenue', 'sum'),
spread=('revenue', lambda s: s.max() - s.min()),
top_units=('units', 'max')
)
print(result)
# total spread top_units
# region
# East 660 160 28
# West 1040 120 40不选择列进行聚合
如果您在未选择特定列的情况下对 GroupBy 调用 agg()，Pandas 会将该函数应用于 DataFrame 中的每个数值列。这是在一次操作中获取所有数值列摘要的快捷方式。请注意，在大多数聚合操作中，非数值数据类型的列会被静默跳过。
# Aggregate all numeric columns in one call
result = df.groupby('region').agg(['sum', 'mean'])
print(result)
# revenue units
# sum mean sum mean
# region
# East 660 220.000000 63 21.00
# West 1040 346.666667 105 35.00将 agg() 与 reset_index() 结合使用
调用 agg() 后，分组列会成为索引。常见做法是立即调用 reset_index()，以获得一个扁平的 DataFrame，其中分组键是普通列。之后，您可以像处理其他 DataFrame 一样重命名、排序和筛选结果，从而轻松将其传递给后续流程或导出。
summary = (
df.groupby('region')
.agg(total=('revenue', 'sum'), orders=('revenue', 'count'))
.reset_index()
.sort_values('total', ascending=False)
)
print(summary)
# region total orders
# 1 West 1040 3
# 0 East 660 3agg()、transform() 与 apply() 的比较
区分这三种 GroupBy 方法非常重要：agg() 会将每个组缩减为一个标量，因此结果行数少于原始数据。transform() 返回与输入形状相同的数组，因此您可以将组级统计数据添加为新列。apply() 的灵活性最高，但速度也最慢，下一课将详细介绍它。
# agg: one row per group
print(df.groupby('region')['revenue'].agg('mean'))
# region
# East 220.0
# West 346.7
# transform: one row per original row (group mean broadcast back)
df['group_mean'] = df.groupby('region')['revenue'].transform('mean')
print(df[['region', 'revenue', 'group_mean']].head())实践示例：销售摘要
下面是一个贴近实际的端到端示例：计算一张销售摘要表，其中包含总收入、平均订单金额、订单数量以及每个地区的收入范围；设置清晰的列名，并按总收入降序排列。这种模式可直接应用于产品、财务和营销分析流程。
summary = (
df.groupby('region')
.agg(
total_revenue=('revenue', 'sum'),
avg_order=('revenue', 'mean'),
num_orders=('revenue', 'count'),
revenue_range=('revenue', lambda s: s.max() - s.min())
)
.reset_index()
.sort_values('total_revenue', ascending=False)
.round(2)
)
print(summary)快速检查
检验您对本课 agg() 方法的理解。
课程回顾
本课您学习了：如何使用 agg() 一次计算多个聚合结果，如何使用命名聚合设置清晰的列名，以及如何使用字典对不同列应用不同函数。接下来我们将学习 transform() 和 filter()，它们可以将组级信息添加回原始 DataFrame。
用 AI 导师学习 Python — 免费
在浏览器中编写并运行真实代码，获得全天候 AI 导师的即时帮助，并在网页或应用中继续学习。
- 课程
- 30
- 课程
- 120
常见问题解答
「agg() 方法」课时是免费的吗？
是的 — 「agg() 方法」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Pandas & NumPy Academy 课程的其余内容，请升级到 CoddyKit PRO。 Pandas & NumPy Academy 课程共包含 4 节课。
「agg() 方法」这节课中我会学到什么？
使用 agg() 一次应用多个聚合函数，并传入字典为不同列计算不同统计量。 你通过在浏览器中直接运行的动手代码来练习 Pandas & NumPy Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Pandas & NumPy Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Pandas & NumPy Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 3 节课，共 4 节。
「agg() 方法」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Pandas & NumPy Academy 课中编写并运行代码吗？
能。每节 Pandas & NumPy Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。