如何按不同列存储的复合cohort对DataFrame进行分组？

嘿，这个需求在pandas里处理起来其实特别直观！我给你分两种常见场景来解释，保证你一看就会～

基础场景：只统计有数据的Cohort #

如果你的需求是只针对原始数据中存在的参数组合（也就是有记录的cohort）计算指标，直接用groupby传入所有参数列的列表就行，pandas会自动识别所有唯一的组合。

示例代码 #

先构造一个和你描述匹配的示例DataFrame：

import pandas as pd

data = {
    'animal': ['duck', 'cat', 'dog', 'duck', 'cat'],
    'color': ['white', 'grey', 'black', 'grey', 'black'],
    'size': ['small', 'big', 'small', 'big', 'big'],
    'value': [10, 20, 15, 25, 30]  # 用来计算指标的数值列
}
df = pd.DataFrame(data)

然后执行分组和指标计算：

# 按animal、color、size三列分组，计算value的总和
cohort_metrics = df.groupby(['animal', 'color', 'size'])['value'].sum().reset_index()
print(cohort_metrics)

结果说明 #

这段代码会输出所有存在数据的cohort及其对应的指标值。reset_index()是把分组后的多级索引转成普通列，让结果更易读。你也可以把sum()换成其他统计函数，比如mean()（均值）、count()（计数）等等，完全根据你的指标需求调整。

进阶场景：包含所有理论上的Cohort（即使无数据） #

如果你的需求是必须覆盖所有可能的参数组合（哪怕某个组合在原始数据里没有记录，也要显示出来，指标值填0或NaN），那需要先生成所有参数的笛卡尔积，再和分组结果对齐。

示例代码 #

# 定义所有可能的参数选项
all_animals = ['duck', 'cat', 'dog']
all_colors = ['white', 'grey', 'black']
all_sizes = ['small', 'big']

# 生成所有可能的cohort组合（笛卡尔积）
all_cohorts = pd.MultiIndex.from_product(
    [all_animals, all_colors, all_sizes],
    names=['animal', 'color', 'size']
)

# 先做基础分组，再重新索引到全组合，缺失值填充为0
cohort_metrics_full = df.groupby(['animal', 'color', 'size'])['value'].sum() \
                        .reindex(all_cohorts, fill_value=0) \
                        .reset_index()
print(cohort_metrics_full)

结果说明 #

pd.MultiIndex.from_product()会生成所有参数的全部组合，之后用reindex()把分组结果对齐到这个全组合，缺失的组合会自动填充你指定的值（这里是0，如果你想保留NaN可以去掉fill_value=0）。这样就能得到完整的所有cohort的指标统计了。

内容的提问来源于stack exchange，提问作者Versteher