itertools.groupby 必须先排序的原因与不排序的常见错误后果

itertools.groupby仅对连续相同元素分组，必须先按分组键排序，否则同一键被拆成多组、统计错误、聚合失效；其底层为单次遍历，不回看、不缓存，设计目标是内存友好。

itertools.groupby 只对连续相同元素分组，不排序就用会导致分组断裂、漏数据、逻辑错乱。它不是按值“全局归类”，而是按“相邻重复”切片——就像手动扫描一串珠子，只在颜色突变时切一刀。

为什么必须先按分组键排序？

groupby 的底层逻辑是单次遍历：它记住上一个键值，一旦当前键 ≠ 上一个键，就触发新组。它不会回看、不建哈希表、不缓存全部数据。

• 输入是迭代器，通常只遍历一次，无法随机访问或二次扫描
• 设计目标是内存友好（适合大文件流式处理），代价是要求输入“已就绪”——即相同键的元素必须挨着
• 排序让相同键“物理聚集”，满足“连续性”前提

不排序直接用 groupby 的典型错误后果

看似代码能跑，但结果不可靠，且错误隐蔽：

• 同一键被拆成多个组：比如列表 [('a',1), ('b',2), ('a',3), ('a',4)] 按字母分组，会产出三组：('a', [1])、('b', [2])、('a', [3,4]) —— 实际想合并所有 'a'
• 误判组数或组大小：统计每个键出现次数时，得到的是“连续块数”而非“总频次”，例如日志中用户操作序列未排序，同用户多次登录被算作多个会话
• 后续聚合逻辑崩溃：若假设每组代表完整类别（如求平均值、拼接列表），却只拿到部分数据，结果必然偏差；更糟的是程序不报错，只默默出错

正确

用法：排序 + groupby 缺一不可

排序键必须与 groupby 的 key 函数一致，且稳定（避免因相等元素位置变化导致分组不稳定）：

• 简单类型：用 sorted(data, key=lambda x: x[0]) 再传给 groupby
• 对象或复杂结构：确保 key 函数返回可比较、可排序的值，且 sorted 的 key 与 groupby 的 key 完全相同
• 大数据流场景：不能全量排序？那就不能用 groupby——改用字典累积（defaultdict(list)）或 pandas.groupby

一个小验证例子

对比以下两段输出：

未排序：

from itertools import groupby
data = [('x',1), ('y',2), ('x',3), ('y',4), ('x',5)]
for k, g in groupby(data, key=lambda x: x[0]):
    print(k, list(g))
# 输出：
# x [('x', 1)]
# y [('y', 2)]
# x [('x', 3), ('y', 4), ('x', 5)] ← 错！key 混了

排序后：

data_sorted = sorted(data, key=lambda x: x[0])
for k, g in groupby(data_sorted, key=lambda x: x[0]):
    print(k, list(g))
# 输出：
# x [('x', 1), ('x', 3), ('x', 5)]
# y [('y', 2), ('y', 4)] ← 正确