Pandas describe与groupby实战：从数据体检到分组聚合分析

做数据分析的，Pandas 里的 describe() 和 groupby() 真的是两个绕不开的函数。这两天正好在帮某电商公司整理一份销售明细，我顺手把这两个函数的分析思路、参数细节和踩过的坑完整过了一遍，整理成这篇实操记录。新手可以直接照着敲，有经验的人也可以翻一翻，里面有不少平时容易忽略的细节。

这套东西解决的痛点很明确：拿到一张几十万行的表，第一件事不是直接去做可视化，而是先用 describe() 快速掌握整体数据分布，再用 groupby() 把数据按业务维度拆开对比，找出值得深挖的规律。整个流程不复杂，但每一步都有讲究。如果你接下来要做探索性数据分析（EDA）、写月度报表，或者准备面试中的数据分析场景题，这篇文章应该能给你省下不少试错时间。

1. 为什么这两个函数是分析标配：整体设计思路

先聊点方法论。很多人拿到数据就开始跑模型，这是最忌讳的。正确的打开方式是先“描述”再“分组”，而这两个函数正好对应了这两步。

1.1 一纵一横的分析解法

我的理解里，describe() 做的是“纵向体检”，groupby() 做的是“横向切分”。

什么叫纵向体检？就是不看业务维度，只看每个数值列本身的统计特征。比如销售额这一列，它有多少条有效记录、平均值是多少、波动大不大、最小值有没有异常、中位数和平均数差距大不大。这些信息像是体检报告上的基础指标，能帮你快速判断数据质量和整体形态。

横向切分就更好理解了。同样是销售额，华东区域和华南区域可能差别很大，数码类产品和服饰类产品的利润结构完全不同。这时候用 groupby() 按区域、按类别把数据切开，每一块单独算均值、求和、计数，就能看到业务差异。

一纵一横两个动作做完，数据的基本画像就出来了。整套思路可以用一句大白话概括：先看整体是什么水平，再拆开看差异在哪里。

1.2 什么时候该用哪个，别搞反

这里分享一个我自己的判断标准。如果你的分析目的是“了解数据有没有问题”，比如有没有缺失值、有没有极端值、字段类型是否合理，那优先用 describe()。如果目的是“对比不同群体的表现”，比如哪个区域卖得好、哪个品类的利润率更高，那就直接用 groupby()。

两个函数也可以串联使用，这是我强烈推荐的习惯。先 describe() 发现“销售额均值远大于中位数”，说明数据右偏严重，可能存在少量超高订单；再用 groupby(['区域'])['销售额'].mean() 定位究竟是哪个区域拉高了整体水平。先宏观后微观，排查效率非常高。

2. 动手前的准备工作：环境与一份能跑的数据

在进入函数细节前，先把环境准备好。这部分不啰嗦，但很重要，很多新手一上来就报错，多半是环境问题。

2.1 环境安装与版本说明

Pandas 是 Python 数据分析的核心库，安装方式很简单。如果你用的是 Anaconda，它已经内置了 Pandas，不需要额外装。如果是纯净的 Python 环境，打开终端执行下面这行命令就行：

bash复制pip install pandas

版本方面，建议使用 Pandas 1.5 以上版本，因为我下面要讲的很多细节在旧版本上表现不一致。比如 describe() 的 include 参数和 groupby() 的 sort 参数，老版本的行为跟新版本有差异。如果你用的是 Pandas 2.x，那体验会更好。

2.2 手工构造一份销售明细数据

为了演示，我直接构造了一份模拟的销售数据，字段包括订单编号、销售区域、产品类别、销售数量、销售额、成本和销售日期。用 Pandas 的随机数生成，保证例子可复现。

python复制import numpy as np
import pandas as pd

np.random.seed(42)
n = 300

df = pd.DataFrame({
    '订单编号': [f'DK{2024000 + i}' for i in range(n)],
    '销售区域': np.random.choice(['华东', '华南', '华北', '西南', '东北'], size=n),
    '产品类别': np.random.choice(['数码', '服饰', '美妆', '食品', '家居'], size=n),
    '销售数量': np.random.randint(1, 20, size=n),
    '销售额': np.round(np.random.uniform(50, 2000, size=n), 2),
    '成本': np.round(np.random.uniform(20, 800, size=n), 2)
})
df['销售日期'] = pd.date_range('2024-01-01', periods=n, freq='D')

这里我特意让“销售额”和“成本”之间没有强关联，因为实际业务中成本不仅和销售额线性相关，还会受品类、促销等因素影响。这份数据加载后，先用 df.head() 看看前几行，再用 df.info() 检查字段类型和缺失值情况。

python复制print(df.head())
print(df.info())

这一步的意义是确认数据列名、类型都符合预期，避免后面调用 describe() 时发现“销售日期”这种对象列也参与了统计，造成干扰。

3. describe() 的完整打开方式：不只是“看一眼”

很多人对 describe() 的理解停留在“输出一行统计数字”，实际上它输出的信息量非常大。读懂每个数字背后代表的业务含义，比会调用函数更重要。

3.1 默认输出中的每一行都代表什么

直接跑一下：

python复制df.describe()

输出结果里会包含 count、mean、std、min、25%、50%、75%、max 这八个指标。逐个拆开看：

• count：该列有多少个非空值。如果 count 少于总行数，说明存在缺失值，这是最早能发现的数据质量问题。
• mean：平均值。它容易受极端值影响，所以只看 mean 不够，还要结合中位数。
• std：标准差，衡量波动程度。标准差很大，说明数据点分布很分散，业务上可能意味着销售不稳定。
• min 和 max：最小值和最大值。如果 min 是 0 或者负数，或者 max 明显超出合理范围，基本可以断定存在异常值。
• 25%、50%、75%：三个分位数。50% 就是中位数，把数据从小到大排列后处在正中间的值。

我特别想强调 mean 和 50%（中位数）的对比。如果 mean 远大于 50%，说明数据右偏，少数几个大额订单把平均值拉高了。比如我的模拟数据里，销售额均值可能是 1000，中位数只有 900，这时候你在做销售目标制定时，用均值做参考会过于乐观，应该更关注中位数。

3.2 控制描述范围的参数细节

describe() 默认只描述数值列，但业务数据里经常有文本型的关键字段，比如产品类别、销售区域。这时候可以用 include 和 exclude 参数来控制范围。

python复制# 只描述所有列（包括文本列）
df.describe(include='all')

# 只描述对象类型列（文本列）
df.describe(include=['object'])

# 排除数值列，只看文本列的分布
df.describe(exclude=[np.number])

这里有一个非常容易踩的坑：include 参数必须传列表，直接传字符串虽然在某些情况下也能跑，但语义容易搞混。include='all' 是特例，它会把所有列都纳入描述，并且对文本列输出 unique、top、freq 这三个额外指标。

unique 表示有几种不同的取值，top 是出现次数最多的值，freq 是 top 出现的次数。比如对产品类别做 include=['object'] 的描述，你能一眼看出哪个类别卖得最多。

3.3 实际业务怎么看这些结果

我用这份销售数据做个演示。只看销售额和成本这两列：

python复制df[['销售额', '成本']].describe(percentiles=[0.1, 0.9])

percentiles 参数可以自定义分位数，默认是 [0.25, 0.5, 0.75]，我改成 10% 和 90% 分位数，可以看到更极端的分布情况。如果 10% 分位数对应的销售额只有 50，而 90% 分位数有 1800，说明大部分订单集中在低价区间，高价值订单很少但贡献很高。

结合业务场景，这种分布意味着你需要在“提高客单价”和“扩大订单量”之间做个取舍。如果低价订单占大多数，那促销策略可能比高端路线更有效。

4. groupby() 从分组到聚合：拆开看、合起来算

groupby() 是 Pandas 里最强大的工具之一，它的核心思想说起来简单，但用好了能解决绝大部分分组统计需求。

4.1 groupby 的分组逻辑：split-apply-combine

用一句话解释 groupby() 的工作机制：先把数据按某个字段拆成多个小组，然后对每个小组应用同样的函数，最后把结果合并起来展示。这个机制在 Pandas 官方文档里叫 split-apply-combine，我觉得用食堂打菜的类比最好理解。

把数据想象成一堆食材，groupby(['产品类别']) 就是按荤素把食材分成几个篮子，apply 是对每个篮子分别做烹饪（求和、算平均），combine 是最后把每道菜摆到同一个餐台上供你挑选。

代码如下：

python复制df.groupby('产品类别')['销售额'].sum()

这条代码的执行逻辑是：按产品类别分组，然后针对每一组的销售额列求和。结果是每个类别的销售总额，非常直观。

4.2 最常用的聚合方式：sum、mean、count、agg

实际工作中，单纯一个 sum 往往不够，经常要同时看销售额总和、平均订单金额和订单数量。这时候我用 agg() 方法：

python复制df.groupby('产品类别')['销售额'].agg(['sum', 'mean', 'count', 'median'])

输出的每一列分别是总和、平均值、订单数量、中位数。一次性拿到最常用的几个统计量，效率很高。

不过这里有个细节值得注意：直接用字符串列表作为 agg 的参数，输出的列名就是 'sum'、'mean' 这种，时间长了自己都分不清哪个是哪个。更规范的做法是给聚合结果重命名，用元组：

python复制df.groupby('产品类别')['销售额'].agg(
    销售总额='sum',
    平均客单价='mean',
    订单笔数='count',
    销售中位数='median'
)

这样输出的列名直接就是业务语义，后续做可视化或者导报表的时候，不需要再改列名。

4.3 多种数据，多种聚合方式：字典参数一次搞定

如果我想对不同列用不同的聚合方式，比如销售额算总和，成本算平均，销售数量算最大，字典参数是最优雅的解法：

python复制df.groupby('产品类别').agg({
    '销售额': 'sum',
    '成本': 'mean',
    '销售数量': 'max'
})

这种写法非常实用。比如分析各品类经营情况时，我可以同时看“总销售额”“平均成本”“最大单笔销售数量”。注意字典的键必须和列名完全一致，否则会报错。

4.4 多列分组与复合索引的处理

分组不一定只有一个维度，按“区域”和“产品类别”同时分组非常常见：

python复制result = df.groupby(['销售区域', '产品类别'])['销售额'].sum()

这个操作返回的是一个带有复合索引（MultiIndex）的 Series。直接用 print 看没问题，但如果我想把结果转成 DataFrame 或者继续操作，通常会执行 reset_index()：

python复制result_df = result.reset_index()

reset_index() 的作用是把分组键从索引里拿出来，变成普通列。很多人第一次用 groupby 后想再筛选结果，发现 result_df['销售区域'] 会报 KeyError，就是因为忘了做这一步。

还有一个小技巧：多列分组后，如果想做“区域为行、类别为列”的透视表，可以用 unstack()：

python复制pivot_data = result_df.pivot_table(index='销售区域', columns='产品类别', values='销售额', aggfunc='sum')

对，直接用 pivot_table 更省事。Pandas 里的 groupby().unstack() 也能实现类似效果，但 pivot_table 的语法更直观。

5. 实战：从一份销售明细里挖出结论

前面说了那么多理论，这一节我用实际数据完整跑一遍分析流程，从全局体检到分组对比，最后得出业务结论。你会发现报告其实并不复杂，就是两个函数的组合拳。

5.1 第一步：对整体数据做体检

先用 describe() 看整体：

python复制overview = df[['销售额', '成本', '销售数量']].describe()
print(overview)

我拿模拟数据跑出来的结果，重点看销售额这一列。count 是 300，说明没有缺失。mean 约 1000，50% 分位数约 950，两者差距不算极端，但能感觉到高额订单对均值的拉动作用。max 是 2000，min 只有 50，跨度很大，说明订单金额分布较广。

接着算一个毛利率的分布：

python复制df['毛利额'] = df['销售额'] - df['成本']
df['毛利率'] = df['毛利额'] / df['销售额']
print(df['毛利率'].describe())

这里注意一个细节：如果在原 DataFrame 上新增列，后面所有分组分析都能直接用这个新列，非常方便。毛利率可能存在极端值，要看 describe 输出的 min 和 max，如果出现负数，说明有亏本订单，这本身就是业务问题。

5.2 第二步：按区域和类别做分组对比

先看各区域的销售表现：

python复制region_summary = df.groupby('销售区域')['销售额'].agg(
    销售总额='sum',
    平均单笔='mean',
    订单数='count'
).reset_index()
print(region_summary)

再按产品类别看利润情况：

python复制category_summary = df.groupby('产品类别').agg(
    销售总额=('销售额', 'sum'),
    平均毛利率=('毛利率', 'mean'),
    订单数=('销售额', 'count')
).reset_index()
print(category_summary)

语法说明一下：agg 里接收的可以是元组，形式是 (列名, 聚合函数)，这样不用提前对每一列算好，直接一次性得到结果，代码也更紧凑。

跑完后我发现一个有意思的规律：某个产品类别订单数最多，但平均毛利率偏低；另一个类别订单数少，毛利率却很高。这就是典型的“走量”和“走利”的区别。

5.3 第三步：把数据结论落地成行动建议

到这一步，分析已经从“做统计”变成“做业务”。假设华东区域销售额最高，但毛利率低于公司平均水平；西南区域销售额不高，但毛利率一骑绝尘。那我的建议可能是：华东区域需要优化促销折扣政策，控制成本；西南区域则需要加大流量投入，把高毛利优势放大。

这个推导过程在代码上非常简单，就是对比上面两个分组结果。但它的价值在于：你通过 describe 和 groupby 的组合，把“数据异常”转化成了“行动方向”。

5.4 一份可以直接复制的完整分析脚本

把上面所有代码整合成一段，方便你在自己数据上替换使用：

python复制import pandas as pd
import numpy as np

# 读取或构造数据
# df = pd.read_excel('销售数据.xlsx')

# 新增衍生字段
df['毛利额'] = df['销售额'] - df['成本']
df['毛利率'] = df['毛利额'] / df['销售额']

# 整体体检
print(df[['销售额', '成本', '销售数量', '毛利率']].describe())

# 区域维度分析
region = df.groupby('销售区域').agg(
    销售总额=('销售额', 'sum'),
    平均单笔=('销售额', 'mean'),
    毛利率=('毛利率', 'mean'),
    订单数=('销售额', 'count')
).reset_index().sort_values('销售总额', ascending=False)

# 类别维度分析
category = df.groupby('产品类别').agg(
    销售总额=('销售额', 'sum'),
    平均单笔=('销售额', 'mean'),
    毛利率=('毛利率', 'mean'),
    订单数=('销售额', 'count')
).reset_index().sort_values('毛利率', ascending=False)

print(region)
print(category)

sort_values 我放在最后，为了让结果按金额或毛利率排序，阅读体验更好。这一步在业务汇报时很重要，因为决策者永远想先看排在前面的重点。

6. 常见问题与排查思路实录

实操中总会遇到各种报错和“感觉哪里不对”的情况。这一节我整理了一张速查表，外加我自己踩过的几个坑。

6.1 常见异常速查表

6.2 几个我踩过的坑

第一个坑是 describe(include='all') 用错位置。我想看文本列分布，直接写 df.describe('all')，结果没有任何变化。原因是位置参数被当作 percentiles 处理了，必须写成 include='all' 才能生效。这种小细节报错不会很明显，但结果就是不对，排查半天才发现。

第二个坑是 groupby 后忘记 reset_index，导致后续用 merge 关联其他表时找不到分组键列。有一次做多表关联，结果一直报 KeyError，我还以为是字段名打错了。其实原因就是 groupby 默认会把分组键放到索引里。解决方案很简单：groupby 完立刻 reset_index，养成习惯。

第三个坑是 agg 结果列名太抽象。我最早用 .agg(['sum', 'mean'])，跑出来的表只有 sum 和 mean 两个列名。过两天回来看数据，压根想不起来哪个列对应哪个字段。后来改用元组命名法，清晰多了。强烈建议从第一次用 agg 就规范命名。

第四个坑是数据里有分类值但某个类别没有订单。groupby 默认只显示有数据的类别，这在业务上可能会造成误解。解决方案是用 pd.Categorical 手动指定所有类型，这样没订单的类别也会显示为 0，而不是直接消失。

我个人的实操体会

用这两个函数这几年，我最深的体会是：工具本身不难，难的是把分析思路理清楚。如果你拿到数据直接就开始写 groupby，很容易陷入“到处试”的误区。先跑一下 describe，知道数据的底线在哪里，再决定从哪里切分，整个过程会顺畅得多。

另外分享一个小习惯：每次分析我都会把 describe 和 groupby 的结果输出到 CSV 文件保存下来，作为数据快照。理由很简单，分析结束后如果发现结论有误，回头检索数据时有一个可追溯的中间状态，不用重新跑一遍代码。

最后想说的是，Pandas 的函数很多，但最常用的就那么几个。把 describe 和 groupby 玩熟练，配合 agg、reset_index、sort_values，你已经能独立完成绝大部分探索性数据分析了。剩下的，就是在实际业务数据里多磨、多踩坑、多沉淀。