如何按字符串首字母对数据进行分组

本文详解如何正确使用 Python 的 itertools.groupby 按字符串首字母分组，强调必须先排序再分组，并提供简洁、可读、无冗余的实现方案。

本文详解如何正确使用 python 的 `itertools.groupby` 按字符串首字母分组，强调**必须先排序再分组**，并提供简洁、可读、无冗余的实现方案。

itertools.groupby 是一个高效但易被误用的工具：它仅对连续相同键值的元素进行分组，而非全局聚合。因此，若未预先按分组键排序，相同首字母的字符串一旦分散在序列中，就会被拆分成多个独立组——这正是原代码中 'ghk' 出现两次（分别在第2组和第4组）、'abc' 被拆开的根本原因。

此外，functools.cmp_to_key 在此场景下完全不必要：它用于将比较函数（返回 -1/0/1）转换为排序键函数，而分组只需一个纯提取逻辑（如 lambda x: x[0]），无需比较语义。

✅ 正确做法如下：

import itertools
import pandas as pd

data = pd.Series(['abc', 'abcd', 'bcd', 'bcdef', 'ghk', 'ghkabc', 'abc', 'ghk'])

# 关键步骤：先按首字母排序，再分组
sorted_data = sorted(data, key=lambda x: x[0])
grouped = itertools.groupby(sorted_data, key=lambda x: x[0])

for first_char, group in grouped:
    print(f"首字母 '{first_char}': {list(group)}")

输出：

首字母 'a': ['abc', 'abc', 'abcd']
首字母 'b': ['bcd', 'bcdef']
首字母 'g': ['ghk', 'ghk', 'ghkabc']

⚠️ 注意事项：

• sorted(data, key=lambda x: x[0]) 确保相同首字母的字符串相邻，是 groupby 正常工作的前提；
• 若原始数据是 pd.Series，sorted() 返回普通列表，如需保持 Series 类型，可用 data.sort_values(key=lambda s: s.str[0]).reset_index(drop=True)；
• 对空字符串需额外防护（lambda x: x[0] if x else ''），避免 IndexError；
• 若追求更直观的结构化结果，推荐直接使用 pandas 原生方法：

  data.groupby(data.str[0]).apply(list).to_dict()
  # 输出: {'a': ['abc', 'abcd', 'abc'], 'b': ['bcd', 'bcdef'], 'g': ['ghk', 'ghkabc', 'ghk']}

总结：itertools.groupby 是轻量级流式分组利器，但其“连续性依赖”特性决定了排序永远是前置必要步骤；摒弃复杂比较逻辑，用最简键函数（x[0]）即可清晰表达意图，兼顾性能与可维护性。