本文详解如何在 pandas 中对指定列（如 id、hrz、tenor）进行分组，并同时对多个数值列（如 1–4）批量应用多个自定义统计函数（如 ks 检验、cvm 检验），最终生成结构清晰、可直接分析的宽格式结果表。
本文详解如何在 pandas 中对指定列（如 id、hrz、tenor）进行分组，并同时对多个数值列（如 1–4）批量应用多个自定义统计函数（如 ks 检验、cvm 检验），最终生成结构清晰、可直接分析的宽格式结果表。
在金融、风控或统计建模场景中，常需对时间序列数据按资产标识（id）、期限类型（tenor）和参数维度（hrz）分组，并对各列指标独立执行分布检验（如 Kolmogorov-Smirnov 或 Cramér–von Mises）。pandas 提供了灵活高效的 groupby().agg() 接口，配合多级索引与堆叠操作，可优雅实现「多分组键 × 多目标列 × 多自定义函数」的组合聚合。
以下为完整实现流程（假设已导入必要库）：
pd.concat
- 自定义函数必须接受
Series或ndarray输入，并返回标量（如float）；若返回pd.Series，结果将被展开为多列，需谨慎处理； -
kstest在样本量过小时可能不稳定，建议添加if len(x) 等健壮性检查； - 若原始数据含缺失值，
groupby().agg()默认跳过NaN，但ks_test/cvm_test需确保输入无NaN，推荐前置df[value_cols] = df[value_cols].dropna()或在函数内过滤； - 输出顺序默认按分组键字典序排列，如需保持原始时间顺序，请先对
df按date排序再分组。
两种方案均生成结构一致、列名规范的结果，可直接用于后续可视化（如 sns.catplot(..., hue='test')）或导出分析报告。掌握此模式后，可轻松扩展至任意数量的分组维度、数值列与统计函数组合。
