pandas中agg一次计算多个统计量需区分dataframe与series：dataframe支持字典映射（如{'a':'sum','b':'mean'}），series仅支持列表或单函数；命名元组语法（如a_sum=('a','sum')）可避免multiindex列名问题。
用 agg 一次算多个统计量，必须传 dict 或 list
直接传 {'A':'sum', 'B':'mean'} 是对的，但很多人卡在结果结构不对或报错。根本原因是：pandas 对 agg 的输入类型敏感，dict 只在 DataFrame 上支持「列 → 函数」映射；Series 不认这个写法。
- DataFrame 调用时，
agg({'A':'sum', 'B':'mean'})会返回新 DataFrame，列名不变，值为对应聚合结果 - Series 调用时，不能传 dict，只能传 list（如
['sum', 'mean']）或单个函数名 - 如果列名不在原始 DataFrame 中（比如用了
groupby后选了子集），会静默跳过，不报错也不警告
agg 里混用函数、字符串、lambda，怎么写才不崩
字符串（如 'mean'）最省事，但没法传参数；函数（如 np.mean）灵活，但要注意签名；lambda 容易写错作用域。关键不是“能不能”，而是“返回值形状是否匹配”。
- 所有聚合函数必须返回标量（scalar），不能返回 Series 或数组，否则
agg会报ValueError: Must produce aggregated value - 用 lambda 时别直接写
lambda x: x.sum()—— 这没问题；但写lambda x: x.describe()就崩，因为返回的是 Series - 想传参数？用
functools.partial(np.quantile, q=0.9)，别用lambda x: np.quantile(x, q=0.9)，后者在多列聚合时可能触发广播错误
groupby 后用 agg，列名自动变成元组？怎么还原
这是最常被吐槽的点：一用 agg({'A':['sum','count'], 'B':'mean'})，列就变成 ('A', 'sum') 这种 MultiIndex，后续取列麻烦。不是 bug，是 pandas 默认行为 —— 它得区分不同聚合来源。
- 加参数
as_index=False不起作用，那是给groupby本身的，不影响agg输出结构 - 真正管用的是
agg(...).columns = ['A_sum', 'A_count', 'B_mean']，手动展平 - 更稳妥的是用命名元组写法：
agg(A_sum=('A','sum'), A_count=('A','count'), B_mean=('B','mean'))，pandas 1.4+ 支持，输出列名就是你指定的字符串
性能差异大不大？agg 比循环 or 多次调用慢吗
慢，但只在小数据上明显。pandas 内部对 dict/list 输入做了路径优化，但本质仍是逐列 apply。真正拖慢的是函数本身 —— 特别是自定义 lambda 或调用低效的 numpy 函数。
- 用字符串名（
'sum'）比用函数对象（np.sum）略快，因为跳过了函数查找和调用开销 - 避免在
agg里做重复计算，比如agg({'x':lambda s: s.max()-s.min(), 'y':lambda s: s.max()-s.min()})，应该先算再复用 - 如果聚合逻辑复杂且数据量大（>100 万行），考虑用
numba.jit加速单个函数，或者改用polars替代
agg(A_total=('A','sum')) 就能避开。还有就是 Series 和 DataFrame 对 agg 输入要求完全不同，混用时连错误信息都不提示，只默默返回奇怪结果。
