本文详解为何 .isna().sum() 无法直接用于 SeriesGroupBy 对象，以及如何通过逻辑筛选+分组计数等正确方式统计每组中缺失值的数量。
本文详解为何 `.isna().sum()` 无法直接用于 `seriesgroupby` 对象，以及如何通过逻辑筛选+分组计数等正确方式统计每组中缺失值的数量。
在 Pandas 中对分组数据（SeriesGroupBy 或 DataFrameGroupBy）进行空值统计时，一个常见误区是试图链式调用 .isna().sum()，例如：
df.groupby('customer_id')['transaction_id'].isna().sum()
这会抛出 AttributeError: 'SeriesGroupBy' object has no attribute 'isna' —— 根本原因在于：isna() 是 Series/DataFrame 的实例方法，而非 SeriesGroupBy 的聚合方法。SeriesGroupBy 支持的聚合操作（如 .sum()、.count()、.mean()）作用于每组的 已计算结果，而 isna() 需要先作用于原始 Series 才能生成布尔序列，因此不能在 .groupby() 之后直接调用。
✅ 正确做法是「先标记空值，再分组聚合」，而非「分组后再调用 isna」。推荐以下两种稳健方案：
✅ 方案一：布尔索引 + 分组计数（最直观）
# 标记 transaction_id 为空的行
no_trans_mask = df['transaction_id'].isna()
# 筛选后按 customer_id 计数（每行代表一次无交易访问）
result = (df[no_trans_mask]
.groupby('customer_id', as_index=False)
.size() # 或 .count()['visit_id']
.rename(columns={'size': 'count_no_trans'}))
输出：
customer_id count_no_trans 0 30 1 1 54 2 2 96 1
? 提示：使用
.size()比.count()更可靠，因为.count()会跳过 NaN（但此处已筛选为非空子集），而.size()直接返回每组行数，语义更清晰。
✅ 方案二：agg() 内联布尔聚合（一行式优雅解）
result = (df.groupby('customer_id', as_index=False)['transaction_id']
.agg(count_no_trans=lambda x: x.isna().sum())
.query('count_no_trans > 0')) # 过滤掉计数为 0 的客户（按题意）
该写法将 x.isna().sum() 作为匿名聚合函数传入 agg()，其中 x 是每组的 transaction_id Series，因此可安全调用 .isna() —— 因为此时 x 是普通 Series，而非 GroupBy 对象。
⚠️ 注意事项
- ❌ 避免
df.groupby(...).col.isna().sum()：语法错误，SeriesGroupBy无isna属性； - ✅ 优先用
df[col].isna()生成布尔 Series，再结合布尔索引或agg()使用； - ? 若需统计 多列 空值，可用
df.isna().sum()先整体分析，但分组场景仍须遵循“先展开、后分组”逻辑； - ? 在 LeetCode 等场景中，常需
.query('count_no_trans > 0')或.loc[lambda x: x['count_no_trans'] > 0]过滤零值，确保输出仅含有效记录。
掌握这一底层机制，不仅能解决本题，更能避免在复杂分组分析中陷入类似的链式调用陷阱。
