agg字典语法是Groupby后多指标重命名的首选方法，通过{'新列名': ('原列名', 函数)}显式控制输出列名，避免默认命名混乱，兼容旧版Pandas且性能更优。
用 agg 配合字典实现多指标重命名最直接
Groupby 后想对不同列应用不同聚合函数，同时给结果起新名字，agg 的字典语法是首选。它天然支持“列名 → 函数或函数列表”的映射，且能通过元组形式指定新列名。
常见错误是直接在 agg 里传入函数列表（如 ['mean', 'std']），这样会生成默认列名如 value_mean、value_std，无法自定义前缀或彻底改名。
正确做法是用 {'新列名': ('原列名', 函数)} 或 {'新列名': ('原列名', lambda x: ...)}：
df.groupby('category').agg({
'sales_mean': ('sales', 'mean'),
'sales_std': ('sales', 'std'),
'count_nonzero': ('flag', lambda x: (x != 0).sum())
})注意：键名就是你想要的最终列名，值是二元元组 —— 第一个元素是原始列名，第二个是函数（字符串或 callable）。
立即学习“Python免费学习笔记（深入）”；
避免 named_agg 在旧 Pandas 版本中失效
named_agg 是 Pandas 0.25+ 引入的更清晰写法，但如果你用的是 0.24 或更早版本，它会直接报 TypeError: aggregate() got an unexpected keyword argument 'named_agg'。
使用前务必确认版本：pandas.__version__。若需兼容老版本，统一用上面的字典 agg 写法更稳妥。
即使版本够新，也要注意 named_agg 不接受函数列表，只接受单个函数或元组；想对同一列做多个聚合，仍得拆成多个键：
# ✅ 正确
df.groupby('group').agg(
mean_val=('value', 'mean'),
max_val=('value', 'max')
)
<h1>❌ 错误：不能这样传列表</h1><p>df.groupby('group').agg(mean_max=('value', ['mean', 'max']))重命名后索引和列结构容易混乱
Groupby + agg 后，默认结果是多层列（MultiIndex），尤其当你对多列做多个聚合时。比如对 ['A', 'B'] 都用 ['mean', 'sum']，列会变成 (A, mean), (A, sum), (B, mean), (B, sum) —— 这不是你手动命名的，而是自动拼接的。
解决方法有二：
- 用字典
agg显式控制每个输出列名（推荐，见第一段） - 聚合后立刻调用
columns = columns.map('_'.join)扁平化，但会丢失语义，不便于后续引用
另一个坑是：如果 groupby 键本身是多列，结果索引也会是 MultiIndex，此时用 reset_index() 是常规操作，但要注意它会把所有层级都转为普通列 —— 若只需展平一级，得用 reset_index(level=0) 等精确控制。
性能敏感时别滥用 lambda 和自定义函数
用字符串函数名（如 'mean'）比用 lambda x: x.mean() 快得多，Pandas 对前者做了底层优化。当数据量大、分组多时，这种差异会明显放大。
同理，避免在 agg 字典里反复写相同逻辑的 lambda，可先定义函数再复用：
def nonzero_ratio(x):
return (x != 0).sum() / len(x) if len(x) else 0
<p>df.groupby('cat').agg({
'ratio': ('flag', nonzero_ratio),
'total': ('amount', 'sum')
})复杂逻辑封装成函数，既提升可读性，也避免每次调用都重新解析 lambda 表达式。
重命名本身不耗资源，但命名方式决定了后续取数是否方便 —— 比如带空格或特殊字符的列名，会导致你必须用 df['my col'] 而不能用 df.my_col，这种细节在链式操作里特别容易被忽略。
