在 Python 里，group（分组）通常指在数据处理或字符串匹配过程中对数据进行分类或捕获的操作。**在数据分析中，group 更多指“分组聚合”（如 pandas 的 groupby）；在正则表达式中，group 指“捕获分组”用于提取子字符串。**理解 group 的核心在于掌握其“按规则划分，再分别处理”的思想。本文将系统讲解 Python 中 group 的常见用法、底层逻辑、实战示例与性能优化建议，帮助你全面掌握分组操作。

## 一、Python 中 group 的核心概念与应用场景

在 Python 生态中，group 的用法主要集中在两个场景：**数据分组（group by）**与**正则表达式分组（regex group）**。这两种场景虽然形式不同，但核心思想一致——按照某种规则将对象划分为若干子集合，再对每个子集合进行处理。

在数据分析中，group 通常配合 pandas 使用，用于对结构化数据进行分组统计，如销售数据按地区分组、日志按日期分组等。根据 pandas 官方文档（Pandas Documentation, 2024），groupby 是数据分析中最常用的操作之一，支持聚合（aggregate）、转换（transform）与过滤（filter）等功能。

而在字符串处理中，Python 标准库 re 模块中的 group 用于提取匹配到的子表达式。根据 Python 官方文档（Python Docs, 2023），group() 方法可以返回整个匹配或指定编号的子组，是文本解析的重要工具。

下表对两种 group 用法进行对比：

| 对比维度 | 数据分组（pandas groupby） | 正则分组（re group） |
|-----------|--------------------------|----------------------|
| 作用对象 | 表格数据（DataFrame） | 字符串 |
| 目的 | 统计、汇总、分析 | 提取子串 |
| 核心方法 | groupby() | group() |
| 返回结果 | DataFrame / Series | 字符串 |
| 应用场景 | 数据分析 | 文本解析 |

理解这两类 group 的差异，是掌握 Python 分组机制的第一步。

## 二、pandas 中 groupby 的基本用法详解

在 Python 数据分析领域，pandas 的 groupby 是最核心的分组工具。其基本语法为：

```python
df.groupby(列名)
```

groupby 的本质是“拆分-应用-合并”（Split-Apply-Combine）模式。首先按某列拆分数据，然后对每组应用函数，最后合并结果。

例如：

```python
import pandas as pd

data = {
    "部门": ["销售", "销售", "技术", "技术"],
    "业绩": [100, 150, 200, 250]
}
df = pd.DataFrame(data)

result = df.groupby("部门")["业绩"].sum()
print(result)
```

该代码会按“部门”进行分组，并计算每组业绩总和。**groupby 的关键在于它不会立即计算，而是生成一个 GroupBy 对象，真正的计算发生在调用聚合函数时。**

这种分组方式广泛应用于财务分析、用户行为分析、日志统计等场景，是数据处理中的基础技能。

## 三、groupby 常用聚合函数与统计方式

在 pandas 中，groupby 可以配合多种聚合函数使用，如 sum、mean、count、max、min 等。**聚合函数决定了每个分组如何被计算。**

常见聚合函数如下：

| 函数 | 作用 | 示例 |
|------|------|------|
| sum() | 求和 | 销售总额 |
| mean() | 平均值 | 平均成绩 |
| count() | 计数 | 订单数量 |
| max() | 最大值 | 最高分 |
| min() | 最小值 | 最低温度 |

示例代码：

```python
df.groupby("部门")["业绩"].agg(["sum", "mean", "count"])
```

这里使用 agg 方法一次性执行多个统计操作。**agg 是高级 groupby 操作的核心方法，可以自定义函数进行复杂统计。**

例如自定义函数：

```python
df.groupby("部门")["业绩"].agg(lambda x: x.max() - x.min())
```

这种灵活性使得 group 分组分析具备极强扩展能力。

## 四、多列分组与层级索引

在实际数据分析中，常常需要按多个字段进行分组。例如按“部门+月份”进行统计。此时可以传入列表：

```python
df.groupby(["部门", "月份"]).sum()
```

多列 group 会生成层级索引（MultiIndex）。**层级索引本质是嵌套分组结构，可以表达更复杂的数据维度。**

如果不希望出现层级索引，可以使用：

```python
df.groupby(["部门", "月份"], as_index=False).sum()
```

多维分组在商业分析中非常常见，如电商平台按“城市+品类”统计销售额。掌握多列 group 是提升数据分析能力的关键步骤。

## 五、transform 与 filter 的高级分组技巧

除了聚合，groupby 还支持 transform 和 filter，这两种方法更适合复杂场景。

transform 用于对每个分组返回与原数据长度相同的结果。例如：

```python
df["部门平均业绩"] = df.groupby("部门")["业绩"].transform("mean")
```

这里 transform 不会减少数据行数，而是将每个分组的均值填回原表。

filter 用于筛选满足条件的分组：

```python
df.groupby("部门").filter(lambda x: x["业绩"].mean() > 150)
```

**transform 适合特征工程，filter 适合数据筛选。**在机器学习前的数据处理阶段，这两种 group 技术尤为重要。

## 六、re 模块中 group 的用法解析

除了数据分组，Python 中另一个重要的 group 用法来自 re 正则表达式模块。

基本示例：

```python
import re

text = "电话：123-4567"
pattern = r"(\d+)-(\d+)"
match = re.search(pattern, text)

print(match.group(0))  # 完整匹配
print(match.group(1))  # 第一组
print(match.group(2))  # 第二组
```

**group(0) 表示整体匹配，group(1) 表示第一个括号捕获的内容。**

根据 Python 官方文档（2023），group 可以接受编号或命名参数。如果使用命名分组：

```python
pattern = r"(?P<area>\d+)-(?P<number>\d+)"
```

则可以通过：

```python
match.group("area")
```

这种 group 分组方式常用于日志解析、网页数据抓取、格式校验等场景。

## 七、命名分组与非捕获分组

在正则表达式中，还有两种高级 group 技巧：

1. 命名分组 `(?P<name>...)`
2. 非捕获分组 `(?:...)`

命名分组提升代码可读性，适合复杂模式匹配。非捕获分组则用于逻辑分组但不保存匹配内容。

示例：

```python
pattern = r"(?:https?)://(\w+)"
```

这里 `(?:https?)` 是非捕获 group，仅用于匹配 http 或 https，不会出现在 group 结果中。

**在大型文本处理项目中，合理使用命名 group 能显著提升代码可维护性。**

## 八、性能优化与常见错误

在使用 groupby 时，常见错误包括：

1. 忘记重置索引
2. 对大数据反复 group
3. 使用 apply 替代聚合函数

性能优化建议：

- 优先使用内置聚合函数
- 合理设置 as_index=False
- 避免在循环中多次调用 groupby

在正则 group 中，常见错误包括：

- 忘记使用 raw 字符串
- 误用 group 编号
- 混淆捕获组和非捕获组

**理解 group 的执行机制，是避免性能问题的关键。**

## 九、总结：Python group 的应用趋势与实践建议

总体来看，Python 中的 group 用法涵盖数据分析与文本处理两个核心方向。**pandas 的 groupby 是数据分析的基础能力，而 re 的 group 是文本解析的核心工具。**两者共同体现了“按规则划分，再分别处理”的编程思想。

随着数据规模增长和自动化需求增强，group 操作将越来越多结合向量化计算、并行计算与数据管道技术。未来趋势包括更高性能的分组算法、与机器学习流程的深度集成，以及更智能的文本结构识别。

如果你从事数据分析、爬虫开发、日志处理或机器学习工程，熟练掌握 Python group 的用法，将是提升效率和代码质量的重要基础。

参考与资料来源  
Python Documentation. “re — Regular expression operations.” Python Software Foundation, 2023.  
Pandas Documentation. “Group By: split-apply-combine.” Pandas Development Team, 2024.

group()方法是Python中用于获取正则表达式匹配结果的函数。它可以返回整个匹配的字符串，也能返回特定的分组内容，适用于re模块的Match对象。

group()方法的作用介绍

我在使用Python的正则表达式模块时，看到有group()方法，它具体是做什么用的？

Python中的group()方法是什么？

group()方法可以接收一个或多个整数参数，用来指明要获取的分组索引。group(0)返回整个匹配，group(1)返回第一个分组，依次类推；也可以传入多个参数，返回对应分组内容组成的元组。

通过group()索引获取具体分组

当正则表达式包含多个括号分组时，如何通过group()方法获取每个分组的匹配内容？

怎样使用group()方法获取多个分组匹配？

IndexError出现是因为访问了正则表达式中不存在的分组编号。确认正则表达式中定义了足够数量的括号分组，或者在调用group()前先判断匹配对象是否存在及分组数量，能避免此错误。

避免group()索引越界的方法

有时候调用group(2)出现IndexError: no such group的错误，这是什么原因，怎么避免？

使用group()时遇到IndexError如何解决？

PingCodeDocs

Python 中的 group 主要包括 pandas 的数据分组（groupby）与 re 模块的正则分组（group）。数据分组用于对结构化数据进行拆分、聚合与分析，是数据处理的核心能力；正则分组用于捕获和提取字符串中的子内容，是文本解析的重要工具。掌握聚合函数、多列分组、transform、filter 以及命名分组等高级技巧，可以显著提升数据分析与文本处理效率。

python里group的用法

用户关注问题