使用Pandas Groupby计算分组失败率遇到问题，寻求帮助

没问题，我来帮你搞定这个用groupby计算各分组失败百分比的需求！

首先咱们明确逻辑：失败率 =（分组内失败的数量 / 分组总数量）×100，其中success为false代表失败。下面给你两种实用的实现方法，都能得到你想要的结果：

方法一：利用布尔值的数值特性（最简洁） #

Pandas里True等价于1，False等价于0，所以分组的成功率就是success列的平均值，反过来失败率就是1 - 平均值，再乘以100就得到百分比了：

import pandas as pd

# 先构造你的示例数据
data = {
    'label': ['Ls1', 'Ls2', 'Ls2', 'Ls1', 'Ls3', 'Ls4', 'Ls4'],
    'success': [True, False, False, True, True, True, False]
}
df = pd.DataFrame(data)

# 计算失败百分比
failure_rate = df.groupby('label')['success'].agg(
    %failed=lambda x: (1 - x.mean()) * 100
).reset_index()

# 如果需要把结果转成整数（去掉小数部分）
failure_rate['%failed'] = failure_rate['%failed'].astype(int)

print(failure_rate)

运行后输出的结果就是你期望的：

label  %failed
0   Ls1        0
1   Ls2      100
2   Ls3        0
3   Ls4       50

方法二：分步计算（更直观） #

如果你想更清晰地看到中间步骤，可以先统计每个分组的总数量和失败数量，再计算百分比：

import pandas as pd

df = pd.DataFrame(data)

# 分组统计总次数和失败次数
group_stats = df.groupby('label')['success'].agg(
    total_count='count',
    failed_count=lambda x: (~x).sum()  # ~x把True转成False，False转成True，sum就是失败的数量
)

# 计算失败百分比并整理结果
group_stats['%failed'] = (group_stats['failed_count'] / group_stats['total_count']) * 100
failure_rate = group_stats[['%failed']].reset_index().astype({'%failed': int})

print(failure_rate)

这个方法的输出和方法一完全一致，只是把计算过程拆解得更清楚，方便理解逻辑。

内容的提问来源于stack exchange，提问作者stiggy008