使用Collectors.groupingBy统计活跃用户分布，需先filter筛选近7天登录等活跃用户，再按年龄等画像字段分组计数；须处理null和异常值，归入"unknown"或清洗，确保结果准确反映各群体活跃度。
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”作为流数据源，再以画像字段（如年龄分段、城市等级、性别、新老客标签等）为分类键进行分组计数。
明确活跃用户的定义和数据源
活跃用户不是静态集合，需先通过条件筛选确定。例如：近7天有登录行为、完成过订单、或触发过关键事件的用户。确保原始数据流（如 List<user></user> 或 Stream<user></user>）中每个元素代表一个符合条件的活跃用户。
- 避免把全量用户流直接分组，否则统计的是“全体用户按画像的分布”，而非“活跃用户”的分布
- 建议在 groupingBy 前用
filter()明确活跃逻辑，增强可读性和可维护性 - 示例：
users.stream().filter(u -> u.getLastLoginDays()
选择合适的分组键（Key）表达画像变量
分组键应体现业务关注的画像维度，且类型稳定、可读性强。不推荐直接用原始字段（如 user.getAge()），而应做归一化处理：
- 年龄 → 转为区间，如
"18-25"、"26-35" - 城市 → 映射为等级，如
CityTier.valueOf(user.getCity())（返回 Tier.ONE / Tier.TWO） - 性别 → 统一转为枚举或标准字符串，避免 "M"/"m"/"男" 混用
- 新老客 → 用布尔值或枚举更清晰，如
user.isFirstOrderWithin30Days()
使用 groupingBy + counting 或 mapping 统计数量
最常用的是统计每类画像下的活跃用户数：
Map<String, Long> activeByAgeGroup = users.stream()
.filter(u -> u.getLastLoginDays() <= 7)
.collect(Collectors.groupingBy(
u -> {
int age = u.getAge();
if (age < 18) return "under_18";
else if (age <= 25) return "18-25";
else if (age <= 35) return "26-35";
else return "36_plus";
},
Collectors.counting()
));
若还需其他聚合指标（如平均停留时长、订单均值），可用 Collectors.groupingBy(key, Collectors.averagingDouble(User::getAvgDuration))。
处理空值与异常情况
用户画像字段常存在 null 或非法值（如 age = -1），直接用于分组会导致 NullPointerException 或语义错误：
- 在 key mapper 中判空并归入统一兜底类，如
"unknown" - 用
Optional.ofNullable(u.getAge()).orElse(-1)避免 NPE - 对异常值提前清洗，或在 filter 阶段排除明显脏数据（如 age > 120）
关键是把“活跃”逻辑前置、“画像”逻辑做稳、“分组+聚合”写准。这样产出的 Map 就是真正反映各用户群活跃程度的分布结果，可直接用于看板或策略分析。
