groupby的类型

### GroupBy 操作的应用场景与实现方式

#### Pandas 中的 GroupBy 应用场景及其实现方法

Pandas 提供了强大的 `groupby` 方法来进行分组聚合操作。通过该功能，可以根据一个或多个键对数据集进行分割，并应用各种统计函数。

对于简单的分组求和：

import pandas as pd

df = pd.DataFrame({
    'A': ['foo', 'bar', 'foo', 'bar', 'foo', 'bar'],
    'B': range(6)
})

result = df.groupby('A').sum()
print(result)

当涉及到多列或多条件组合时，则可以通过传递列表给 groupby 函数来指定多个分组依据[^1]。

复杂情况下还可以自定义聚合逻辑，例如使用字典映射不同字段的不同聚合规则：

aggregations = {
    'B': ['mean', 'min', 'max']
}

result = df.groupby('A').agg(aggregations)
print(result)

#### SQL 中的 GROUP BY 使用案例分析

在 SQL 查询语句里，`GROUP BY` 子句通常跟随着 `SELECT` 和 `FROM` 后面，在某些时候也会配合 `HAVING` 来过滤分组后的记录集合。下面是一个基于订单表 (orders) 计算每种商品类别下的平均价格的例子:

SELECT category_id, AVG(price) AS avg_price
FROM orders
GROUP BY category_id;

为了进一步筛选出那些销售量超过特定数量的商品类目，可以在上述基础上加入 HAVING 子句：

SELECT category_id, COUNT(*) AS sales_count
FROM orders
GROUP BY category_id
HAVING COUNT(*) > 100; -- 假设阈值为100件

值得注意的是，SQL中的 `CASE WHEN` 结构也可以被用来创建临时分类标签以便更好地理解业务含义，这同样适用于后续的数据汇总工作[^2]。

#### 实际例子对比：按金额范围划分客户等级

假设有一个包含用户购买行为信息的数据框 order_df ，其中有一列为 total_amount 表示用户的累计消费总额。现在希望根据这个数值将用户划分为三个不同的级别——低级([0-300))、中级([300,600)) 高级 ([600,900)) ——并计算各级别的用户数。

##### 在 Pandas 下的操作如下所示：

bins = [0, 300, 600, float('inf')]
labels = ["Low", "Medium", "High"]
order_df['level'] = pd.cut(order_df.total_amount, bins=bins, labels=labels)

customer_levels = order_df.groupby('level')['uid'].nunique().reset_index(name='count')
print(customer_levels)

##### 对应地，在标准SQL环境下可采用以下方案完成相同任务：

WITH customer_level AS (
    SELECT uid,
           CASE 
               WHEN total_amount >= 0 AND total_amount < 300 THEN 'Low'
               WHEN total_amount >= 300 AND total_amount < 600 THEN 'Medium'
               ELSE 'High'
           END level
    FROM order_df
)
SELECT level, COUNT(DISTINCT uid) count
FROM customer_level
GROUP BY level;