如何对DataFrame实现嵌套分组聚合？多维度统计需求求解

可以实现，无需复杂嵌套分组，分维度统计后合并即可：

• 计算类别计数：按周期+类别分组，统计每组行数，得到每个周期下各类别的出现次数
• 计算周期计数：仅按周期分组，统计每个周期的总行数
• 合并关联：将两个统计结果与原始数据关联，再去重整理得到目标结构

用Pandas代码实现如下：

import pandas as pd

# 构造原始DataFrame
df = pd.DataFrame({
    '索引': [1,2,3,4,5,6],
    '周期': [20181231,20181231,20181231,20190131,20190131,20190131],
    '类别': [1,2,3,1,2,2]
})

# 统计每个周期下各类别的数量
category_count = df.groupby(['周期', '类别']).size().reset_index(name='类别计数')

# 统计每个周期的总数量
period_count = df.groupby('周期').size().reset_index(name='周期计数')

# 合并统计结果并去重，匹配目标结构
result = df.merge(category_count, on=['周期', '类别']) \
           .merge(period_count, on='周期') \
           .drop_duplicates(subset=['周期', '类别']) \
           [['索引', '周期', '类别', '类别计数', '周期计数']]

print(result)

执行后输出的结果完全符合需求，核心是分开计算不同维度的统计值，再通过关联合并，避免同时分组导致的统计维度冲突。

内容的提问来源于stack exchange，提问作者just_simple_r