基于pandas的Python多维度数据集分析：营销活动响应率计算需求

直接使用pandas自带的分组聚合能力即可，不需要手写多层循环，该方法天然适配不同维度的取值数量，底层为优化过的向量化运算，运行效率远高于Python层的循环逻辑。

完整代码示例 #

import pandas as pd

# 1. 读取CSV数据
df = pd.read_csv("你的营销活动数据集路径.csv")

# 2. 将响应情况转化为数值：Y对应1，N对应0，平均值即为响应率 Y/(Y+N)
df["响应数值"] = df["响应情况"].map({"Y": 1, "N": 0})

# 3. 按年龄、性别、所在地分组计算平均响应率
result = df.groupby(
    ["年龄", "性别", "所在地"], 
    as_index=False
)["响应数值"].mean().rename(columns={"响应数值": "平均响应率"})

# 可选：保留4位小数方便查看
result["平均响应率"] = result["平均响应率"].round(4)

# 输出结果查看
print(result)

方案说明 #

• 动态适配性：groupby会自动识别所有存在的维度组合，不管年龄维度是20种还是100种取值，都不需要修改代码逻辑
• 效率优势：pandas运算底层为C实现，避免了Python多层循环的解释器开销，即使是十万级以上的数据量也能在秒级完成计算
• 结果验证：可以手动抽样几个组合的计算结果和代码输出对比，确认计算逻辑符合预期

内容的提问来源于stack exchange，提问作者HFLeft