groupby().quantile()可一行计算分组分位数，默认0.5，支持标量或列表输入；需注意非数值列被静默跳过、空组返回NaN、插值方式影响结果，推荐一次性传入分位数列表提升性能。
用 groupby().quantile() 一行搞定分位数分组计算
直接调用 groupby().quantile() 是最简方式，它会自动对每组数值列返回指定分位数。默认计算 0.5（中位数），但你可以传入标量（如 0.9）或列表（如 [0.25, 0.5, 0.75]）。
常见错误是传入字符串（如 "0.9"）或没处理非数值列——Pandas 会静默跳过非数值列，不报错但结果可能少列，容易误以为计算失败。
-
df.groupby("category")["value"].quantile(0.9)→ 返回 Series，索引为(category, quantile)多级索引 -
df.groupby("category").quantile([0.25, 0.5, 0.75])→ 返回 DataFrame，列名带level_1后缀，需用.rename_axis(None, axis=1)清理 - 若想保留原始分组列名（如
"category"）作为普通列而非索引，加as_index=False：df.groupby("category", as_index=False).quantile(0.9)
处理多级分组和混合数据类型
当按多个列分组（如 ["region", "year"]）时，quantile() 输出的索引是 MultiIndex，直接取值易出错。更稳妥的做法是重置索引并扁平化列名。
同时注意：含字符串、时间戳等非数值列的 DataFrame 调用 .quantile() 时，Pandas 默认只对数值列生效，不会报错，但你可能根本没意识到某些列被忽略了。
立即学习“Python免费学习笔记（深入）”；
- 显式指定目标列避免歧义：
df.groupby(["region", "year"])[["sales", "profit"]].quantile(0.9) - 列名含小数点或括号时（如
"p90_sales"），用.add_suffix("_p90")比手动重命名更安全 - 若某组数据全为 NaN 或空，
quantile()返回 NaN —— 这是预期行为，不是 bug，但需在后续逻辑中考虑缺失值处理
性能关键：大数组合下避免重复计算
多次调用 .quantile(0.1)、.quantile(0.5)、.quantile(0.9) 会触发三次分组扫描，对百万行以上数据明显变慢。一次性传入列表才是高效做法。
另外，quantile() 默认使用线性插值（interpolation="linear"），在整数索引或离散数据上可能产生非整数结果；若需四舍五入到最近观测值，改用 interpolation="nearest"。
- 快：
df.groupby("id").value.quantile([0.1, 0.5, 0.9]) - 慢（且冗余）：
df.groupby("id").value.quantile(0.1)+ 单独再算 0.5 和 0.9 - 插值方式影响结果：比如 4 个数
[1,2,3,4]的 0.75 分位数，"linear"得3.25，"nearest"得3
替代方案：用 agg() 自定义更灵活的分位数逻辑
当需要组合分位数与其他统计量（如均值+P90），或对不同列用不同分位数时，agg() 更合适。它支持字典映射，还能混用函数与元组。
注意：传入 lambda 时别写成 lambda x: x.quantile(0.95) —— 这会丢失组内索引信息，推荐直接用 pd.Series.quantile 引用。
- 混合统计：
df.groupby("group").agg({"score": ["mean", pd.Series.quantile], "age": lambda x: x.quantile(0.95)}) - 指定不同分位数：
{"score": 0.9, "duration": 0.8}→ 会自动转为.quantile()调用 - 若自定义函数返回多个值（如上下四分位距），必须返回
pd.Series并设好index，否则列名会混乱
