groupby未返回结果是因为它返回延迟计算对象，需接聚合方法如sum()；agg()易因列名错误或格式不规范报keyerror；transform()适合等长广播，apply()用于复杂逻辑但需注意索引；nan键默认被剔除，需dropna=false保留。
GroupBy 为什么没返回结果，只看到 pandas.core.groupby.generic.DataFrameGroupBy ？
这是最常被卡住的第一步：调用 df.groupby("col") 本身不触发计算，它只是构建一个延迟计算的对象。你得接上聚合操作才会出数据。
- 常见错误：写了
grouped = df.groupby("category")就以为分组完成了，直接 print 或试图取值，结果只看到对象类型 - 必须跟聚合方法，比如
grouped.sum()、grouped.mean()、grouped.agg({"price": "max", "qty": "sum"}) - 如果只想看分组结构，用
list(grouped.groups.keys())或len(grouped)查组数，别 print groupby 对象本身
用 agg() 同时对不同列做不同聚合，但报错 KeyError 或结果列名混乱
agg() 是最灵活也最容易写错的聚合入口。KeyError 通常是因为列名拼错或列不存在；列名混乱则多因传入字典格式不规范。
- 正确写法：
df.groupby("region").agg({"sales": "sum", "profit": ["mean", "std"]})—— 值可以是字符串、函数、或列表 - 错误写法：
agg({"Sales": "sum"})（大小写不匹配）、agg([("sales", "sum")])（旧式元组写法在新 Pandas 中已弃用） - 想控制输出列名？改用命名元组：
agg(sales_total=("sales", "sum"), profit_avg=("profit", "mean"))（Pandas ≥ 0.25） - 注意：如果原始列含空格或特殊字符，必须用字符串键引用，不能用点号访问
分组后想保留原始索引或加回原表， transform() 和 apply() 怎么选？
transform() 强制要求返回与输入等长的结果，适合广播类操作； apply() 更自由，但默认会重置索引、可能丢行。
- 要新增一列“每组平均值”，用
df["group_mean"] = df.groupby("team")["score"].transform("mean")—— 安全、对齐、不丢索引 - 想对每组做复杂逻辑（如拟合模型、返回多行），才用
apply()，但记得手动处理索引：grouped.apply(lambda g: g.sort_values("time").head(2)).reset_index(drop=True) - 误用
apply()返回标量（如.apply(len)）会导致结果变成 Series，而非扩展列 —— 这时该用size()或count() - 性能上，
transform()内建函数（如"first"、"cumsum"）比 lambda 快得多
分组键含 NaN 时，数据莫名“消失”了
Pandas 默认把 NaN 当作缺失值，在分组时直接剔除 —— 不是 bug，是设计行为，但极容易被忽略。
- 现象：
df.groupby("status").size()的总和小于len(df)，差额就是status为NaN的行数 - 想保留
NaN组？加参数dropna=False：df.groupby("status", dropna=False).size() - 注意：SQL 用户容易预期
GROUP BY包含 NULL 组，但 Pandas 默认不兼容这点，必须显式声明 - 如果键是多个列（如
groupby(["a", "b"])），只要其中任一列为NaN，整行就被丢弃 ——dropna=False同样适用
分组聚合真正麻烦的从来不是语法，而是隐式行为：NaN 处理、索引对齐、延迟计算、列名推导。这些地方不动手试几次，光看文档根本意识不到哪一步断掉了。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
