groupby后用agg()传入自定义函数即可，函数须接收Series、返回标量；多列不同聚合用字典指定列名与函数；需整组DataFrame时改用apply()；返回Series会生成MultiIndex，可用NamedAgg或reset_index()调整。
groupby 后怎么传入自定义函数做聚合？
直接把函数名传给 agg() 就行，但要注意函数接收的是 Series（不是 DataFrame），返回标量值。比如想对每组计算“最大值与最小值的差”，写成 lambda x: x.max() - x.min() 或单独定义函数。
常见错误是函数里用了 df['col'] 这种写法——groupby 拆出来的每组只是单列 Series，没有列名索引。另外，如果函数返回非标量（如 list、Series），agg() 会报 ValueError: Function does not reduce。
- 正确：
df.groupby('category')['value'].agg(lambda x: x.std() / x.mean()) - 错误：
df.groupby('category').agg(lambda x: x['value'].sum())（x 是 Series，没['value']） - 错误：
df.groupby('category')['value'].agg(lambda x: x.tolist())（返回 list，不满足 reduce 要求）
多个字段用不同自定义函数聚合怎么写？
用字典传参，键是列名，值是函数或函数列表。注意：键必须是原始 DataFrame 中存在的列名，不能是新生成的列；函数仍作用于每组的该列 Series。
如果某列要同时用多个函数（比如均值和中位数），值可以是列表，如 [np.mean, np.median]；如果只想用一个自定义函数，就写单个函数对象或 lambda。
立即学习“Python免费学习笔记（深入）”；
- 合法：
df.groupby('group')[['A', 'B']].agg({'A': lambda x: x.quantile(0.9), 'B': 'sum'}) - 非法：
df.groupby('group').agg({'C': lambda x: x.max()})（列 C 不存在） - 注意：结果列名会变成多级索引，可用
as_index=False或reset_index()平展
自定义函数里需要访问整组 DataFrame 怎么办？
agg() 不支持，得换用 apply()。它把每组当作子 DataFrame 传入，函数可任意操作，但性能明显下降，且返回结果形状更难控制。
典型场景：计算组内某列相对于组均值的偏差比例，或做跨列运算（比如用 A 列除以 B 列再求和）。这时必须用 apply()，且函数返回必须是标量、Series 或 DataFrame，否则容易出错。
- 推荐：
df.groupby('group').apply(lambda g: (g['A'] / g['B']).sum()) - 危险：
df.groupby('group').apply(lambda g: g[['A','B']].corr())（返回 DataFrame，结果维度爆炸） - 性能提示：
apply()是 Python 层循环，大数据量时比agg()慢数倍，能用agg()就别用apply()
为什么自定义聚合后结果索引变乱了？
默认情况下，groupby().agg() 保留分组键作为结果的索引；但如果传入的函数返回的是 Series（比如 lambda x: pd.Series({'min': x.min(), 'max': x.max()})），结果会自动升维成 MultiIndex，列名变成函数返回的 index 值。
这不是 bug，而是 Pandas 的设计逻辑：返回 Series → 视为多输出 → 自动拼接列名。若想避免，要么改用字典方式分别定义各输出，要么用 pd.NamedAgg（Pandas 0.25+）显式命名：
- 混乱写法：
df.groupby('x')['y'].agg(lambda x: pd.Series([x.min(), x.max()], index=['lo','hi'])) - 清晰写法：
df.groupby('x').agg(lo=('y', 'min'), hi=('y', 'max')) - 兼容旧版：加
as_index=False或后续调用reset_index()
真正容易被忽略的是：当函数内部修改了输入 Series 的 index（比如重设、切片），agg() 可能静默丢掉部分数据或报错，调试时建议先在单组上手动测试函数行为。
