groupby后调用mean报错No numeric types to aggregate的问题排查

你遇到的DataError: No numeric types to aggregate错误，核心原因是第二个DataFrame的data1列是object类型（非数值型），而pandas的mean()聚合函数只能处理数值类型数据。

为什么会出现这个差异？ #

我们来对比两种DataFrame的构造方式：

1. 第一个成功的例子：
   你直接传入data1: 1+0.1*numpy.arange(1,6)，pandas会自动识别这是一个numpy浮点数组，将data1列设置为float64类型（可以用df.dtypes查看验证）。

2. 第二个出错的例子：
   你先把日期数组和数值数组合并成了一个numpy数组：

   datedat = numpy.array([date_range_1(datetime.datetime(2015, 1, 17),5),1+0.1*numpy.arange(1,6)]).T
   

   由于这个数组同时包含datetime对象和浮点数值，numpy会将整个数组的 dtype 设为object（通用对象类型）。当你取datedat[:,1]作为data1列传入DataFrame时，这些数值依然以object类型存储，而非浮点型——这就导致聚合时找不到可计算的数值类型。

解决方法 #

这里有两种简单的修复方式：

方法1：避免构造numpy object数组，直接分列传入DataFrame

跳过合并numpy数组的步骤，像第一个例子那样直接传入各列数据，确保data1是数值类型：

dates = date_range_1(datetime.datetime(2015, 1, 17),5)
data = 1+0.1*numpy.arange(1,6)
years = [day.year for day in dates]
months = [day.month for day in dates]

datedatF = pandas.DataFrame({
    'key1': dates,
    'key2': numpy.array(years)*1000 + numpy.array(months),
    'data1': data
})

方法2：将data1列转换为数值类型

如果要保留当前的构造流程，只需在groupby前把data1列转为浮点型：

# 转换data1为数值类型
datedatF['data1'] = pandas.to_numeric(datedatF['data1'])
# 再执行groupby和聚合
grouped2 = datedatF['data1'].groupby(datedatF['key2'])
print(grouped2.mean())

额外优化：简化key2的生成 #

你可以利用pandas的datetime属性直接生成年份+月份的key，代码更简洁且不易出错：

datedatF['key2'] = datedatF['key1'].dt.year * 1000 + datedatF['key1'].dt.month

内容的提问来源于stack exchange，提问作者Harry