多维度分组分箱需求：按Type与YearlyAvg区间分组统计

没问题，你只需要在groupby里同时传入Type字段和YearlyAvg的区间分组结果就行，这样就能实现按每个独立Type下的YearlyAvg区间来统计数据了。

修改后的代码 #

# 按Type + YearlyAvg区间分组，统计所有字段的数量
result = df.groupby(['Type', pd.cut(df['YearlyAvg'], np.arange(0,1250,50))]).count()

# 更推荐：只统计ID的数量（避免冗余统计，结果更简洁）
result = df.groupby(['Type', pd.cut(df['YearlyAvg'], np.arange(0,1250,50))])['ID'].count()

代码解释 #

• ['Type', pd.cut(...)])：把Type作为第一个分组维度，YearlyAvg的区间作为第二个维度，这样每个Type都会单独划分YearlyAvg区间进行统计，完全满足你区分Type维度的需求。
• 指定统计ID字段是因为我们只关心每组的样本数量，这样不会重复统计Total、TotalDate等无关字段，结果更干净高效。

示例输出（基于你提供的两行测试数据） #

用第二个代码片段的话，输出会是这样的结构：

Type   YearlyAvg
AT267  (200, 250]    1
PQ43   (0, 50]       1
Name: ID, dtype: int64

进阶：整理结果格式（方便后续构建蒙特卡洛分布） #

如果想把结果转换成更易读的普通DataFrame，方便后续分析或可视化，可以加上reset_index()并给统计列命名：

result = df.groupby(['Type', pd.cut(df['YearlyAvg'], np.arange(0,1250,50))])['ID'].count().reset_index(name='SampleCount')

转换后的结果会是标准的表格形式：

这样就能完美满足你多维度分组统计的需求，后续可以直接基于这个结果构建蒙特卡洛分布啦。

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