基于Price列指定区间对Revenue列聚合及交易数统计

这其实是Pandas分组聚合的典型场景，用pd.cut()配合groupby().agg()就能轻松同时获取你要的交易数和Revenue总和，直接给你完整的代码方案：

import pandas as pd

# 假设你的DataFrame名为df，包含Price和Revenue列
# 1. 用pd.cut将Price划分到指定区间
price_groups = pd.cut(df['Price'], bins=[5, 10, 15])

# 2. 按区间分组，同时聚合交易数和Revenue总和
summary = df.groupby(price_groups).agg(
    交易数=('Price', 'size'),  # size统计每组的行数（即交易数量）
    总营收=('Revenue', 'sum')   # sum计算每组的Revenue总和
).reset_index()

# 查看结果
print(summary)

关键细节说明： #

• 区间划分逻辑：pd.cut()默认是左闭右开的区间，也就是[5,10)、[10,15)，如果你的数据里有等于15的Price值，会被分到NaN组里。如果要包含15或者更大的值，可以把bins改成[5,10,15, float('inf')]，这样最后一个区间就是[15, ∞)。
• 交易数统计：用size而不是count是因为size会统计每组的所有行数，哪怕Price有缺失值也会算进去；如果你的Price列没有缺失值，count结果也一样。
• 自定义区间标签：如果觉得默认的区间格式不够直观，可以给pd.cut()加labels参数自定义名称：

  price_groups = pd.cut(df['Price'], bins=[5, 10, 15], labels=['5-10元', '10-15元'])
  

• 重置索引：reset_index()是把分组用的区间从索引转为普通列，这样结果的结构更规整，方便后续分析或导出。

举个例子，假设你的df数据是：

运行代码后得到的summary会是：

（注：这里显示的是左开右闭，因为Pandas默认的区间表示方式，实际划分逻辑是左闭右开，你可以通过include_lowest=True参数调整为左闭右闭，比如pd.cut(df['Price'], bins=[5,10,15], include_lowest=True)，这时第一个区间会是[5,10]）

内容的提问来源于stack exchange，提问作者bluetooth