本文详解在pandas中对dataframe进行groupby().nunique()操作时，为何优先选取目标列子集而非全表分组，并给出性能更优、语义更清晰的写法。
本文详解在pandas中对dataframe进行groupby().nunique()操作时，为何优先选取目标列子集而非全表分组，并给出性能更优、语义更清晰的写法。
在实际数据分析中，我们常需按某列（如用户ID）统计另一列（如商品类别）的去重数量。此时常见两种写法：
# 写法1：先切片再分组（常见于遗留代码）
df[cols].groupby('user_id').nunique()['category']
# 写法2：直接全表分组后索引
df.groupby('user_id').nunique()['category']
表面上看二者结果一致，但性能与可维护性差异显著。核心问题在于：df.groupby(...).nunique()会为所有数值列（及可哈希的非数值列） 计算去重计数，即使你最终只取其中一列。若DataFrame含20列，却仅需统计category列的去重值，这种写法将浪费约19/20的计算资源。
✅ 推荐写法（最优实践）：
将列筛选逻辑前置到.groupby()之后、聚合之前，即使用链式索引明确指定目标列：
# ✅ 推荐：仅对目标列执行nunique，避免冗余计算
df.groupby('user_id')['category'].nunique()
# ✅ 同等效果，更显式地分离索引与分组逻辑
df['category'].groupby(df['user_id']).nunique()
这两种写法语义清晰、执行高效——Pandas仅对category列内部去重，不扫描无关列，内存与CPU开销大幅降低。
⚠️ 注意事项：
- 若cols包含额外列（如cols = ['user_id', 'category', 'timestamp']），df[cols].groupby(...).nunique()仍会计算timestamp列的去重值，造成无谓开销；
- 仅当some_column是外部Series（非DataFrame原生列）时，df[cols].groupby(external_series)才有存在意义；
- nunique()默认跳过NaN，如需包含空值计数，需显式传参dropna=False。
总结：永远让聚合操作作用于最小必要列集合。用df.groupby(key)[target_col].nunique()替代df.groupby(key).nunique()[target_col]，既是性能优化，也是代码可读性与意图表达的最佳实践。
