Pandas：分组间类别占比差异求和的优雅实现方法

当然有更省心的方法！完全不用手动提取数值，借助pandas的索引对齐和重塑功能就能轻松搞定，这里给你两种实用的思路：

方法一：转宽表后直接计算 #

先把你的分组占比结果转换成宽格式（Won和Lost作为列，X/Y/Z作为行），这样对应类别的占比会自动对齐，再计算绝对差求和：

# 1. 将分组结果转为带列名的DataFrame
ratio_df = df.groupby('result')['col_A'].value_counts(normalize=True).reset_index(name='proportion')

# 2. 重塑为宽表，让Won/Lost成为列，col_A的类别成为行
wide_ratio = ratio_df.pivot(index='col_A', columns='result', values='proportion')

# 3. 计算对应类别的绝对差并求和
total_diff = abs(wide_ratio['Won'] - wide_ratio['Lost']).sum()

这种方式逻辑直观，输出的wide_ratio还能让你清晰看到两组的占比对比，方便后续检查。

方法二：利用多级索引直接对齐 #

如果不想转表，也可以直接通过多级索引提取两组数据，pandas会自动按类别索引对齐：

# 1. 先获取分组占比的Series
ratio_series = df.groupby('result')['col_A'].value_counts(normalize=True)

# 2. 分别提取Won和Lost对应的占比系列
won_props = ratio_series.xs('Won', level='result')
lost_props = ratio_series.xs('Lost', level='result')

# 3. 计算绝对差之和
total_diff = abs(won_props - lost_props).sum()

额外优化：处理缺失类别 #

如果某组里缺少某个类别（比如Lost组没有Z），可以用fillna(0)补0，避免出现NaN影响计算：

total_diff = abs(won_props.fillna(0) - lost_props.fillna(0)).sum()

两种方法都能得到你想要的结果，完全不用手动复制粘贴数值，既高效又不容易出错！

内容的提问来源于stack exchange，提问作者Edamame