如何在pandas聚合中用pd.NamedAgg结合lambda实现批量分位数计算？

你遇到的是Python lambda在推导式/循环中的延迟绑定问题：lambda不会在定义时捕获当前的分位数值，而是在实际执行聚合操作时才去读取变量q的最终值（也就是列表里的最后一个元素90），所以所有聚合结果都重复取最后一个分位数的计算值。

以下是三种可行的程序化聚合配置方案，附代码示例：

方法1：用functools.partial提前绑定参数 #

通过partial固定quantile方法的q参数，让每个聚合函数在定义时就绑定当前循环的分位数值，避免延迟绑定问题。

import pandas as pd
from functools import partial

# 构造测试数据
df = pd.DataFrame({
    'group': ['A', 'A', 'B', 'B', 'B', 'C'],
    'value': [1, 2, 3, 4, 5, 6]
})

quantiles = [10, 90]
# 批量生成聚合配置
agg_dict = {
    f'p{q}': pd.NamedAgg(column='value', aggfunc=partial(pd.Series.quantile, q=q/100))
    for q in quantiles
}

# 执行分组聚合
result = df.groupby('group').agg(**agg_dict)
print(result)

方法2：给lambda加默认参数强制绑定当前值 #

利用Python函数默认参数在定义时求值的特性，把q作为lambda的默认参数，让每个lambda在定义时就捕获当前的分位数值。

import pandas as pd

df = pd.DataFrame({
    'group': ['A', 'A', 'B', 'B', 'B', 'C'],
    'value': [1, 2, 3, 4, 5, 6]
})

quantiles = [10, 90]
agg_dict = {
    f'p{q}': pd.NamedAgg(column='value', aggfunc=lambda x, q=q: x.quantile(q/100))
    for q in quantiles
}

result = df.groupby('group').agg(**agg_dict)
print(result)

方法3：直接使用字符串格式的聚合表达式 #

pandas支持直接传入字符串格式的聚合命令，这种方式无需处理lambda绑定问题，代码更简洁。

import pandas as pd

df = pd.DataFrame({
    'group': ['A', 'A', 'B', 'B', 'B', 'C'],
    'value': [1, 2, 3, 4, 5, 6]
})

quantiles = [10, 90]
agg_dict = {
    f'p{q}': pd.NamedAgg(column='value', aggfunc=f'quantile({q/100})')
    for q in quantiles
}

result = df.groupby('group').agg(**agg_dict)
print(result)

内容的提问来源于stack exchange，提问作者saiwing