groupby 默认丢弃 NaN 分组是设计行为，从 Pandas 1.1 起对含 NaN、None 或 NaT 的分组键默认跳过，需显式设 dropna=False 才保留；启用后 NaN 作为独立分组键出现，索引中可直接用 .loc[np.nan] 访问。
groupby 默认丢弃 NaN 分组是设计行为，不是 bug
从 Pandas 1.1 开始，groupby 对分组键中含 NaN、None 或 NaT 的行默认跳过，不生成对应分组。这不是计算错误，而是历史沿袭的默认策略——Pandas 认为缺失值无法参与“有意义的分组比较”。所以你看到分组结果里压根没有 NaN 键，不是数据丢了，是它被主动过滤了。
常见现象包括：df.groupby('col').size() 结果 sum 小于 len(df)；用 get_group(np.nan) 报 KeyError；聚合后发现某些预期类别消失。
必须显式设 dropna=False 才能保留空键分组
dropna 是 groupby 的关键参数，仅控制分组键本身的缺失值是否参与分组，不影响数据行的筛选逻辑。设为 False 后，NaN 会作为独立分组键出现（注意：多个 NaN 会被归为同一组，因为 NaN != NaN 但 Pandas 在分组时特殊处理为等价）。
-
df.groupby('col', dropna=False).size()—— 输出含NaN行的计数 -
df.groupby(['col1', 'col2'], dropna=False).agg({'x': 'mean'})—— 允许组合键中任一列为NaN仍建组 - 若用
pd.Grouper(key='col', dropna=False)（如在resample或多级 groupby 中），同样生效
dropna=False 的副作用和兼容性注意点
启用后虽保留空键，但带来几个实操细节：
立即学习“Python免费学习笔记（深入）”；
- 分组结果的索引中会出现
NaN，后续用.loc[...]取值需写成.loc[np.nan]，不能用字符串'NaN'或None - 当分组键是
datetime64[ns]且含NaT，dropna=False同样生效，但NaT在索引中显示为NaT，不是NaN - Pandas dropna 参数，强行传入会报
TypeError: groupby() got an unexpected keyword argument 'dropna'，需先检查版本：pd.__version__ - 性能上无显著差异，但内存中会多存一组键为
NaN的中间结构，大数据量下可忽略
空值分组后聚合结果里的 NaN 值不是 dropna 控制的
很多人混淆：以为 dropna=False 能让 mean()、sum() 等聚合函数返回非 NaN。其实不是。dropna 只管“分组键是否为空”，不管“组内数值是否为空”。例如一个全为 NaN 的组调用 .mean()，结果仍是 NaN —— 这由各聚合函数自身的 skipna 参数决定（如 mean(skipna=True) 是默认行为）。
所以如果你看到某组聚合结果是 NaN，先确认：是这组根本没被创建（dropna=True 导致），还是这组存在但内部全是空值（需查 count() 或 size()）。
dropna=False，比如 df.groupby('a').apply(lambda g: g.groupby('b', dropna=False).size()) —— 外层没设不重要，但内层不设就又丢空键了。 
