索引层级内聚合：按月度群组计算营收总和与用户总数

嘿，我来帮你搞定这个需求！你想要把带层级索引的分组结果，转换成每个群组对应终身收入总和和用户总数的常规数据表对吧？其实不用绕弯路，直接从原始数据或者现有分组结果都能实现，下面给你两种方案：

方案1：直接从原始DataFrame处理（推荐） #

你的原始数据dfsort应该是每条记录对应一个用户的相关数据，所以我们直接按Cohort分组，同时聚合两个指标就好，代码简洁又高效：

import pandas as pd

# 按Cohort分组，计算两个核心指标
cohort_summary = dfsort.groupby('Cohort').agg(
    # 计算该群组的终身收入总和
    Total_Lifetime_Revenue=('Lifetime_Revenue', 'sum'),
    # 计算该群组的唯一用户总数
    Total_Customers=('Customer_ID', pd.Series.nunique)
).reset_index()

预期输出示例： #

这里reset_index()的作用是把Cohort从索引列变回普通列，得到标准的二维数据表格式。

方案2：从你已有的分组结果cohorts处理 #

如果你已经有了按Cohort和Lifetime_Revenue分组后的cohorts数据，也可以基于它进一步汇总：

# 从现有分组数据计算群组汇总
cohort_summary = cohorts.groupby('Cohort').agg(
    # 每个收入值乘以对应用户数，再求和得到总终身收入
    Total_Lifetime_Revenue=lambda x: (x.get_level_values('Lifetime_Revenue') * x['Customer_ID']).sum(),
    # 把该群组下所有用户数相加得到总用户数
    Total_Customers=('Customer_ID', 'sum')
).reset_index()

这个方案是因为你的cohorts里，每一行是某个群组下对应某一收入值的用户数，所以总终身收入需要用「收入值×用户数」再累加，总用户数则是该群组下所有用户数的总和。

两种方案都能得到你想要的常规数据表，优先推荐方案1，直接从原始数据处理更直观，也避免了中间步骤的冗余~

内容的提问来源于stack exchange，提问作者Kbbm