Python itertools.groupby 需要先排序的原因与常见错误
itertools.groupby 必须先排序才能按值分组，因为它仅对连续相同键的元素分组，而非全局相同值；未排序时相同键可能分散在不同位置，导致重复分组或逻辑错误。
为什么 itertools.groupby 必须先排序才能按值分组
itertools.groupby 不是按“所有相同元素”聚类，而是按“连续相同键”分组。它只检查相邻元素是否满足 key 函数返回值相等，一旦不等就切分新组——和 Unix 的 uniq 命令行为一致。
常见错误现象：groupby 返回多组重复键（比如 'a' 出现在第 0 组和第 2 组），或某组里混着不同值（实际不会，但用户误以为该有）。
- 输入
[('a', 1), ('b', 2), ('a', 3)]，即使key=lambda x: x[0]，也会分出三组：('a', [...])、('b', [...])、('a', [...]) - 正确做法：先用
sorted(data, key=lambda x: x[0])把所有'a'挤到一起，再传给groupby - 性能影响：排序是 O(n log n)，而
groupby本身是 O(n)；若数据已部分有序，仍不能跳过排序——它不检测全局重复性
groupby 的 key 函数写错导致分组失效
key 函数返回值决定“是否归为一组”，但容易忽略类型、精度或隐式转换问题。
- 对浮点数直接用
key=lambda x: x，可能因精度差异让本该相等的数被拆开；应改用round(x, 2)或math.isclose预处理后转成可哈希标量 - 字符串忽略大小写但没统一
.lower()，导致'Apple'和'apple'被分到不同组 - 字典列表中用
key=lambda x: x['status']，但某些项缺'stat键 → 抛
us'
KeyError；需加默认值：key=lambda x: x.get('status', 'unknown')
迭代器耗尽后无法重复使用 groupby 对象
groupby 返回的是一个一次性迭代器，内部维护当前组的子迭代器；一旦你调用 next() 或用 for 遍历完某组，那组的数据就丢了，且整个 groupby 对象不能再 rewind。
- 错误写法：先
list(group)某组，再想二次遍历同一group→ 得到空列表 - 正确做法：需要多次访问时，立刻转成
list或tuple，例如groups = [(k, list(g)) for k, g in groupby(sorted_data, key)] - 如果原始数据很大、又只需单次处理每组，可直接在
for k, g in groupby(...)中消费g，避免内存堆积
和 collections.defaultdict 或 pandas.groupby 的关键区别
别因为名字像就当成通用分组工具——itertools.groupby 是流式、无状态、仅相邻匹配的轻量机制。
- 要按任意顺序聚合（如统计每个用户订单总数），用
defaultdict(list)或dict.setdefault更自然 - 要做聚合计算（sum/mean/count），
pandas.DataFrame.groupby自动处理缺失、类型推断和向量化，而itertools.groupby需手动sum(x[1] for x in g)，且要求数据已排序 - 真正适合
itertools.groupby的场景：日志按时间戳分块、连续状态变化检测（如网络连接 up/down 序列）、压缩相邻重复值（类似 RLE）
最容易被忽略的一点：它不关心“值是否相等”，只关心“下一个值的 key 是否等于当前 key”——这个逻辑边界一旦记混，调试时会反复怀疑数据或 key 函数有问题，其实只是忘了排序。
