用Collectors.groupingBy按画像变量统计活跃用户分布，需先filter筛选活跃用户，再按gender等字段分组计数；支持多级分组如城市+年龄段，可结合averagingDouble等下游收集器聚合多指标。
用 Collectors.groupingBy 按用户画像变量统计活跃用户分布，核心是把“活跃用户”作为数据源，把“画像字段”（如性别、城市、年龄段）作为分组键，再结合下游收集器做计数或聚合。
明确数据源和活跃判定逻辑
不能直接对全量用户分组，必须先筛选出“活跃用户”。活跃定义因业务而异，常见有：
- 近7天有登录行为
- 近30天有下单/浏览/互动等指定事件
- 满足自定义标签（如
is_active == true）
建议封装为独立的过滤流，例如：users.stream().filter(User::isActive).collect(...)
按单个画像变量分组计数（最常用）
例如按 gender 统计活跃用户人数：
Map<String, Long> activeByGender = users.stream()
.filter(User::isActive)
.collect(Collectors.groupingBy(User::getGender, Collectors.counting()));结果形如：{"MALE": 1245, "FEMALE": 1892, "OTHER": 37}。注意确保 getGender() 返回非 null 值，否则会抛 NullPointerException；可加判空或用 Collectors.groupingBy(u -> Optional.ofNullable(u.getGender()).orElse("UNKNOWN")) 容错。
按多个画像维度组合分组（嵌套groupingBy）
如需同时看“城市 + 年龄段”的活跃分布，可用双层 groupingBy：
Map<String, Map<Integer, Long>> activeByCityAndAge = users.stream()
.filter(User::isActive)
.collect(Collectors.groupingBy(
User::getCity,
Collectors.groupingBy(
u -> u.getAge() / 10 * 10, // 转为10岁一段：20→20, 25→20, 34→30
Collectors.counting()
)
));结果形如：{"Beijing": {20=156, 30=421}, "Shanghai": {20=189, 30=377}}。注意内层 key 类型需可比较且适合做 Map 键（避免用可变对象）。
附带其他聚合指标（不止计数）
除了人数，常需平均停留时长、最近活跃时间等。可用 Collectors.collectingAndThen 或自定义下游收集器。例如统计各城市活跃用户的平均 session 时长：
Map<String, Double> avgDurationByCity = users.stream()
.filter(User::isActive)
.collect(Collectors.groupingBy(
User::getCity,
Collectors.averagingDouble(User::getSessionDuration)
));若需多个指标（如人数 + 平均值 + 最大值），推荐用 Collectors.toMap 配合自定义 value 构造，或转为 Map<string summarystatistics></string>：
Map<String, DoubleSummaryStatistics> statsByCity = users.stream()
.filter(User::isActive)
.collect(Collectors.groupingBy(
User::getCity,
Collectors.summarizingDouble(User::getSessionDuration)
));不复杂但容易忽略的是：分组前务必确认数据质量（空值、异常值）、活跃定义一致性、以及并行流下 collect 的线程安全性（groupingBy 默认线程安全，但自定义 downstream 需留意）。实际使用中，配合 Map.forEach 或转成 JSON 输出，就能快速生成用户分布看板。
