agg传字典时键必须是列名、值须为函数/列表/命名元组；多聚合需用列表或命名元组避免多级索引；混合类型须长度一致；高开销函数应预计算防重复执行。
agg传字典时键必须是列名，值必须是函数、函数列表或命名元组
直接传 {'sales': 'sum', 'profit': 'mean'} 是最常见写法，但容易忽略：键不能是索引名或不存在的列，值也不能是未定义的变量名字符串（比如写成 'sum' 虽然能运行，但仅限内置函数；自定义函数必须传函数对象）。更关键的是，如果某列需要多个聚合结果（如同时算均值和标准差），得用列表：{'profit': ['mean', 'std']}，这时返回列名会自动变成多级索引 profit_mean 和 profit_std。
想给同一列应用不同算法并自定义输出名？用命名元组替代字符串或列表
当默认生成的列名（如 sales_max）不符合业务需求，或者要避免多级索引带来的后续取数麻烦，就得用 namedtuple 或字典式元组。例如：
from collections import namedtuple
Summary = namedtuple('Summary', ['avg', 'p95'])
df.groupby('region').agg({'sales': Summary(avg='mean', p95=lambda x: x.quantile(0.95))})
这样产出列就是扁平的 sales_avg 和 sales_p95，而不是嵌套结构。注意 lambda 里不能引用外部变量（如 threshold），否则分组计算时会报 NameError。
混合使用标量函数、列表和命名映射时，各列结果长度必须一致
这是最容易导致 ValueError: operands could not be broadcast together 的地方。比如：
-
{'a': 'count', 'b': ['min', 'max'], 'c': {'c_min': 'min'}}—— 这样写会出错，因为a输出 1 列，b输出 2 列，c输出 1 列，pandas 拒绝拼接 - 正确做法是统一为同类型：全用字典映射（
{'a': {'a_cnt': 'count'}, 'b': {'b_min': 'min', 'b_max': 'max'}, ...}），或全用命名元组 - 如果真要混用，只能把单函数也包成单元素字典：
{'a': {'a_cnt': 'count'}}，保持结构对齐
性能敏感场景下，避免在 agg 字典里重复调用高开销函数
比如写 {'revenue': lambda x: expensive_calc(x), 'margin': lambda x: expensive_calc(x) / x.sum()}，会导致 expensive_calc 被执行两次。更稳妥的方式是先用 apply 预计算中间列，再对中间列做轻量 agg；或者改用 apply + 自定义函数一次性返回 Series，虽然代码稍长，但能控制计算次数。
多维聚合逻辑本身不慢，慢的是没意识到 pandas 在字典映射模式下对每个键值对独立触发计算流程——它不会帮你去重或缓存中间结果。
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！
