从“定量分析”这四个字切入，很多人第一反应是建模、回归、假设检验，但真正落到日常数据处理时，最常用、最朴素、也最能说明问题的手段，反而是一个频率分布直方图。它一眼就能告诉你数据长什么样：集中在哪个区间、有没有长尾、是不是双峰、有没有离谱的离群值。配合pandas的groupby、agg、round这三个函数，这个看似基础的图表能玩出很多花样，甚至能替代一部分描述性统计报表。
我最近在处理某连锁零售门店的订单数据时，正好用这套组合拳完成了一次完整的定量分析，从数据清洗到分组区间划分，再到直方图绘制和结果解读，整个过程踩了几个坑，也积累了一些可以“抄作业”的经验。这篇文章就围绕“频率分布直方图”这个主题，把groupby、agg、round的具体用法掰开揉碎讲清楚，适合正在学pandas、或者工作中经常要做数据分布分析的同学参考。
1. 频率分布直方图的核心思路：把连续数据离散化
直方图跟条形图不一样，它面对的是连续型变量。比如订单金额、用户年龄、响应时间、产品价格，这些都是连续数据，直接画散点图看不出规律，直接算均值又掩盖了分布形态。直方图的做法是把数据的取值范围切分成若干连续的区间（也叫“箱”或“组”），然后统计每个区间内数据的个数或占比，用矩形的高度（或面积）来展示分布密度。
1.1 为什么“分箱”是直方图的关键步骤
直方图的形状完全取决于怎么分箱。箱太宽，细节被抹平，可能只看到一堆柱子挤在一起；箱太窄，噪声被放大，每个箱里只有零星几个数据，看不出整体趋势。一个成熟的分析师在画直方图之前，先想清楚组距和组数怎么定，而不是直接丢给绘图库去自动处理。
组数没有绝对标准，但常用经验公式是Sturges规则：组数 = ceil(log2(n) + 1)，其中n是样本量。比如有1000条订单记录，log2(1000)约等于9.97，加1取整就是11组。这个公式不是银弹，对于明显偏态分布的数据，适当增加组数有助于暴露长尾细节。另一个常用做法是看数据的业务含义，比如订单金额以50元为一个区间，或者年龄以10岁为一个区间，业务上更好解释。
1.2 频率与频数：直方图里真正要展示的指标
频数就是落在每个区间里的数据条数，它的好处是直观，但坏处是样本总量不同时无法横向比较。比如A门店有5000笔订单，B门店只有800笔，两边直方图用频数画，A门店的柱子永远更高，看不出分布形态的差异。这个时候应该用频率或者密度。
频率 = 频数 / 总样本数。更严谨一点，直方图的纵轴可以用“频率密度”，即频率除以组距，这样不同组距的直方图之间也具备可比性。在pandas里，value_counts(normalize=True)配合cut函数可以快速得到频率分布；在seaborn里，stat参数可以切换count、frequency、density和probability。实操中我一般会同时输出一个频率分布表和一个直方图，表用来精确查数，图用来看形状。
2. 用groupby实现分组统计：从整体分布到细分洞察
单个直方图只能描述整体的分布情况，但业务分析几乎不会只满足于一个整体结论。你更想知道的是：不同商品类别的订单金额分布有没有差异？工作日和周末的客单价分布长什么样？新老用户的消费频次分布是否双峰？这些问题都需要用groupby先把数据拆开，再对拆开的每个子集做分布分析。
2.1 groupby的基本语法与可控字段的选取
groupby的核心是“拆分-应用-合并”三步。拆分就是按指定的列把DataFrame分成若干组，应用就是对这些组逐一执行某种操作，合并则是把各组的结果拼成一个新DataFrame。语法上只需要一行：df.groupby('category')，后面再接聚合操作，如.mean()、.sum()、.count()等。
选可控字段是有讲究的。在做频率分布分析时，groupby的字段最好满足两个条件：一是取值数量不能太多（比如省份、品类、部门这类，几十个以内还能看懂），二是必须是分类意义上的“组标签”，不能是连续型数值。假设你要按“是否会员”分组，直接对是否会员这一列做groupby，得到两组订单金额的分布；如果要按“订单金额区间”分组，则需要先用cut分箱，再对分箱结果做groupby。
2.2 分组后的聚合结果如何配合直方图
groupby本身不会改变数据结构，它只是把数据按类别切开了。切完之后怎么用？最常见的方式是分别提取每个组的某一列，再绘制各自的直方图。
拿我那个零售门店的项目来说，数据里有category（商品类别）、amount（订单金额）、customer_id（客户ID）等字段。我先按category分组，然后循环取出每一类的amount列，分别调用hist绘制子图。这一步如果用matplotlib自己写，代码大概是：
import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv('orders.csv') categories = df['category'].unique() fig, axes = plt.subplots(nrows=1, ncols=len(categories), figsize=(14, 4)) for ax, cat in zip(axes, categories): subset = df[df['category'] == cat]['amount'] subset.hist(bins=15, ax=ax, edgecolor='white') ax.set_title(f'{cat} 的订单金额分布') ax.set_xlabel('订单金额') ax.set_ylabel('频数') plt.tight_layout() plt.show()这个做法虽然简单，但不是groupby的正式写法。更pandas风格的写法是先用groupby切分，再对每个分组应用describe或者agg，拿到各组的描述性统计量，然后再决定要不要可视化。两者结合：用groupby拿到各组统计量，用直方图把统计量背后的分布画出来，这样定量与可视化就打通了。
2.3 分组后比较分布：重叠直方图与分面图
多组分布对比，最常见的是两种图：重叠直方图和分面直方图。重叠直方图把所有组的直方图画在同一坐标系里，靠透明度区分重叠区域，适合组数少（不超过4~5组）的时候。分面直方图让每个组拥有独立的子图，各有各的坐标轴，适合组数多的时候。
重叠直方图的注意点是要设置alpha透明度，否则后画的组会完全遮住先画的组。另外，如果各组数据量差异很大，一定要用频率（或密度）而不是频数，否则样本量小的组因为柱子矮，在视觉上会被压扁。用seaborn的histplot加上hue参数可以一句话完成分组直方图：
import seaborn as sns sns.histplot(data=df, x='amount', hue='category', stat='density', alpha=0.5, element='step')element='step'只画轮廓不填充内部，重叠时更清爽。实测下来，组数超过4个时重叠图会变成一团乱麻，这时分面图远优于重叠图。
3. agg聚合函数的实际应用：一次算完全部关键指标
groupby单独用，只能做一种聚合操作。但定量分析很少只关心一个指标，你可能同时想知道每个分组的均值、中位数、标准差、最大值、最小值、样本量。写多行代码分别计算当然可以，但pandas的agg函数就是为此设计的：把多个聚合操作一次性传给分组对象，效率高，代码也整洁。
3.1 agg支持三种传参形式：字符串、函数、字典
agg最基础的用法是传字符串，比如df.groupby('category')['amount'].agg('mean')。但它的真正威力在于同时传多个聚合函数：
df.groupby('category')['amount'].agg(['count', 'mean', 'std', 'min', 'max'])这一行就输出了一个表格，每一行是一个商品类别，每一列是一个统计指标。如果多个列的统计口径不同，可以用字典指定，比如订单金额算均值和标准差，客户年龄算中位数：
df.groupby('category').agg({ 'amount': ['mean', 'std', 'count'], 'customer_age': 'median' })不管哪种写法，最终返回的是一个DataFrame，列名会自动带上函数名（比如amount_mean、amount_std），方便后续透视或者绘图。
3.2 自定义聚合函数与agg的底层逻辑
内置函数不够用时，agg也支持传入自定义函数，比如同时计算四分位距：
def iqr(s): return s.quantile(0.75) - s.quantile(0.25) df.groupby('category')['amount'].agg(['median', iqr])自定义函数的入参是一个Series，返回一个标量。这里的坑在于，agg会把每个分组内的Series传给自定义函数，所以函数里如果依赖索引或者全局状态，很容易出错。建议自定义函数保持纯粹，只基于传入的Series做计算。
另一个容易忽略的点是：agg并不仅限于groupby之后使用。你也可以对一整个DataFrame调用df.agg(['mean', 'std'])，得到每一列的描述性统计摘要。这对于数据探索阶段快速掌握所有字段的分布范围非常有用。我一般会在分析开头跑一遍df.describe()，再把describe结果喂给agg做进一步定制，比如加上偏度（skew）和峰度（kurtosis），这些指标直接关系到直方图形态的判断。
3.3 分箱配合agg：生成分组的频率分布表
agg和cut结合是构造频率分布表最直接的方法。先用pd.cut把连续列分成区间，再groupby区间并聚合频数：
bins = [0, 50, 100, 200, 500, 1000] labels = ['0-50', '50-100', '100-200', '200-500', '500-1000'] df['amount_bin'] = pd.cut(df['amount'], bins=bins, labels=labels, right=False) freq_table = (df.groupby('amount_bin', observed=False) .agg(total_orders=('amount', 'count'), total_revenue=('amount', 'sum'), avg_amount=('amount', 'mean')) .reset_index())这段代码里groupby之后用agg加命名聚合，让三列分别命名为total_orders、total_revenue、avg_amount，结果是一个清晰的区间汇总表。注意groupby默认会忽略NaN分组，如果cut产生的区间里没有数据，该区间也会自动消失。如果想保留所有区间，需要加上dropna=False参数。
4. round函数在定量分析中的精度管理
定量分析中，round看似人畜无害，实则暗藏玄机。数据一旦涉及浮点数，显示、存储、计算三个不同层面的“小数位数”是完全不同的概念，round函数用不好，直方图的组距、频率表的百分比甚至最后的分析结论都可能出错。
4.1 显示位数、存储精度与计算精度的区别
pandas默认显示浮点数可能带很多位小数，但显示位数不等于存储精度。举个例子，一个订单金额是49.999999，用round(2)得到50.0，在分组区间“50-100”里会被分到50以上；但不做round时，它其实是49.999，属于0-50区间。这就是“边界迁移”问题的来源。
我建议遵循一个原则：业务最终要展示的指标，比如客单价、占比，用round(2)规整；但参与分箱、分组、聚合运算的原始字段，尽量保留完整精度。换句话说，round管“出口”，不管“内部流通”。先让数据以高精度参与所有计算，最后呈现结果时再统一round。
4.2 银行家舍入：Python的round和想象中的四舍五入不一样
很多人在Python里遇到round的“意外”后，才第一次知道银行家舍入（banker's rounding）。round(2.5)返回2而不是3，round(3.5)返回4而不是4。它遵循的是：当小数位后是5时，向偶数方向舍入，而不是总是向上进位。这种舍入在统计上的好处是偏差更小，但对于习惯了“四舍五入”的业务人员来说，这是一个经常引发混乱的点。
如果在数据分析中明确需要“四舍五入”的规则，建议直接用Decimal模块，或者自己定义一个函数：
import math from decimal import Decimal, ROUND_HALF_UP def round_half_up(x, n=0): return float(Decimal(str(x)).quantize(Decimal('0.' + '0'*n), rounding=ROUND_HALF_UP))这个函数先转字符串再转Decimal，绕开了浮点数的二进制表示误差。实测对负数和边界情况的处理都符合直觉。
4.3 round在生成区间标签和纵轴坐标中的应用
直方图里有两处地方常用round：一处是cut的区间边界标签，另一处是绘图时纵轴坐标的刻度标签。边界标签如果是一堆长小数，图表看的人会晕；最好在构造bins时就直接用业务上清晰的整数，比如0、50、100、200、500，而不是0.000001、49.999999这类浮点边界。
纵向刻度用round也比较常见，尤其是用matplotlib绘制频数标签时，默认刻度可能产生细碎数字。可以用matplotlib.ticker中的FuncFormatter统一格式化，或者直接设置轴的major_formatter为'{x:.0f}'这样的格式。可视化中的精度一致性能明显提升图表的可信度。
5. 完整实操：从原始数据到频率分布直方图的流水线
前面把三个函数的原理讲清楚了，这一节演示一条完整的数据分析流水线。模拟场景：某公司有10000条线上订单记录，字段包括用户ID、订单金额、商品类别、下单时间。目标：分析整体订单金额的分布形态，并比较不同商品类别的分布差异。
5.1 数据清洗与异常值处理
拿到数据第一件事不是画图，而是摸底。用df.info()查看列类型和缺失值，用df.describe()看订单金额的均值和分位数。如果最小值是负数，说明有退款记录；如果最大值是999999，可能是错误值或测试数据。这些异常值如果不处理，直方图会出现一个巨大的空档，大部分数据被压在最左侧看不见。
我的处理逻辑是：对于订单金额小于等于0的记录，要么剔除，要么单独标记为退款组，不混入正常订单分布；对于超过某个业务合理上限（比如10000元）的极端值，先看它们是不是真实大额订单，如果确认是真实业务就保留，但在绘制直方图时增加一个标注。盲目剔除极端值会丢失长尾信息，这是很多新手容易犯的错。
5.2 分箱逻辑与groupby+agg的组合流程
针对订单金额，结合业务和Sturges规则，我选择组距为50元，用pd.cut分箱：
bins = pd.cut(df['amount'], bins=range(0, 1001, 50), right=False) df['amount_bin'] = bins这里range(0, 1001, 50)生成了0到1000之间的区间，最后一组是950-1000。right=False表示区间左闭右开（[0,50)），这样0元记录不被忽略，50元的记录归入下一组。区间分组后，再用groupby+agg汇总组内订单量和总营收：
result = (df.groupby('amount_bin', observed=False) .agg(order_count=('amount', 'count'), total_amount=('amount', 'sum'), avg_amount=('amount', 'mean')) .reset_index()) result['percentage'] = (result['order_count'] / len(df) * 100).round(2) result['amount_bin'] = result['amount_bin'].astype(str)percentage列就是每个区间的频率百分比，保留两位小数。这个表格既能直接输出到Excel，也能作为直方图的数据源。
5.3 绘制频率分布直方图与累计频率曲线
有了分布表，绘图就很简单。用matplotlib画柱状图，width设置为组距（50），x轴用区间标签，y轴用百分比。加一条累计频率折线，用右侧的y轴显示累计百分比，这是业务分析中非常常见的组合图，能同时看到每个区间的占比和累计到某个金额段的覆盖度。
fig, ax1 = plt.subplots(figsize=(12, 5)) ax1.bar(result['amount_bin'], result['percentage'], color='#6A9FB5', edgecolor='white', width=0.8) ax1.set_xlabel('订单金额区间（元）') ax1.set_ylabel('订单占比（%）') cumsum = result['percentage'].cumsum() ax2 = ax1.twinx() ax2.plot(range(len(result)), cumsum, color='#D97742', marker='o', markersize=4, linewidth=2) ax2.set_ylabel('累计占比（%）') plt.xticks(rotation=45) plt.tight_layout() plt.show()这张图画出来，整体形态一目了然：订单金额呈现右偏分布，峰值落在50-100元区间，说明门店的主营客单价集中在中低位；累计曲线在300元左右达到80%，说明绝大部分订单不超过300元。这个结论直接支撑后续的商品定价和满减活动设计。
5.4 分组对比图：不同品类的分布叠加
整体分布分析完之后，我又按品类分组做了对比。用seaborn的histplot并设置grouping参数，将三个品类的订单金额分布以密度曲线的形式画在同一张图里。水果类呈现明显的单峰右偏，数码配件类出现双峰（一个峰在0-100元，另一个峰在300-500元），这说明该品类的产品线分档明显，两批不同价位的商品各自聚类。
对比的结果给了我一个意外的洞察：整体订单金额的右偏主要是水果类贡献的，数码配件类实际上呈现双峰结构；如果只做全量直方图，这个双峰特征会被隐藏。这就是分组分析不可替代的价值所在。
6. 常见问题与实战避坑记录
数据分析做多了，就会发现坑位基本固定。下面按出现频率排序，整理一份问题排查清单。
6.1 边界划分不一致：同样的数据，两张图的柱子不一样
用plt.hist时，默认的边界处理是右闭左开，跟pd.cut的right=False正好相反。这意味着同一个数据点，在pd.cut和plt.hist里可能进入不同的区间。解决方法是让两者完全一致：要么cut时用right=True，要么直方图传入range参数并保证bins的端点重合。更稳妥的做法是，直方图直接用之前groupby生成的分箱结果，而不是让matplotlib重新分箱。
另一个边界坑是区间标签的显示。pd.cut默认生成的标签是(49.999, 50.0]这样的浮点表达式，直接画到x轴上又长又乱。我一般会自定义labels，或者在最后把区间转成字符串再处理。
6.2 groupby结果中的NaN组与空区间
三个坑：第一，groupby默认忽略NaN，用groupby(..., dropna=False)可保留NaN分组；第二，用pd.cut分箱时，如果某个区间没有数据，groupby结果里不会出现该区间，解决方法是reindex补齐所有区间；第三，在groupby多个列时，结果的索引是MultiIndex，需要reset_index()脱索引再合并，否则后续绘图取列容易取错。
6.3 频率分布直方图的纵轴选择：频数、频率还是密度
很多人画直方图不区分这三种，导致组距不同的图之间无法对比。如果只是展示单一数据集的分布形态，频数没问题；但如果要横向比较多个分组或多次实验，必须统一用频率或密度。seaborn的histplot中stat='density'会把柱子的面积总和归一化到1，stat='probability'把柱子高度总和归一化到1。两者的区别在于组距是否相等：组距相等时两者等价，组距不相等时density更科学，因为柱子的面积才代表概率质量。
实操建议：只要bins是等差数列，用probability；如果用了非等距分箱（比如0-50、50-100、100-300），必须用density或直接把每组的频数除以组距再绘图。
6.4 性能问题：大数据量下groupby和cut的加速技巧
当数据量达到千万级时，pd.cut+groupby的组合会变得很慢。比较实用的优化手段有三个：一是用category类型代替object类型存储分箱结果，减少内存占用；二是用pd.cut的retbins参数获取实际的区间边界，避免重复分箱；三是优先用numpy的searchsorted手动分箱，速度快一个数量级。
import numpy as np bins_arr = np.arange(0, 1001, 50) data = df['amount'].values bin_idx = np.searchsorted(bins_arr, data, side='right') - 1 df['amount_bin'] = bin_idx这个方法返回的是整数索引而不是区间标签，速度非常快，后续要转回标签时再映射即可。
6.5 透视表交叉验证：分布表与groupby结果相互校验
最后再补充一个经验。拿到一份频率分布表，别急着画图发表结论，先做一次交叉验证。用pivot_table算出每个区间的原始订单量，跟groupby结果对比一遍：
check = pd.pivot_table(df, index='amount_bin', values='amount', aggfunc='count')两边得到的结果必须完全一致。我曾经在项目中发现cut的边界写错导致同一个数据落进两个区间，就是靠pivot_table对比抓出来的。定量分析的核心是数字可复现，一个逻辑链上任何环节的精度损失都会传导到最终结论，谨慎一点不会错。
写在最后：我的几点实操体会
代码和数据都是工具，但工具用得顺不顺，完全取决于对细节的掌控。groupby、agg、round这三个函数单独看都不难，但组合在一起做频率分布分析时，细节就全暴露出来了：cut的边界开闭、agg传参的三种形式、round在不同层面的语义差异，每一项都足以改变你的分析结论。
我从这个项目里学到最重要的一件事是：直方图不是画完就结束，它只是定量分析的起点。真正的工作在于如何解释图上的形状——为什么右偏、为什么双峰、为什么某一区间出现断崖，这些都需要回到原始数据和业务逻辑中去寻找答案。多掌握几个可以交叉验证的分析工具，比如频率分布表、累计曲线、透视表，你的结论就多一分可信度。
最后分享一个小技巧：每次做分布分析，我都坚持从原始数据出发，逐步派生新列（分箱、分组、聚合），而不是直接对中途结果做二次加工。这意味着任何人都能从原始CSV复现整条分析流水线，结果可核查，逻辑可追溯。这比任何花哨的建模都重要。
