对于不超过 2000 行的 django queryset，无需引入 pandas 或 numpy，仅用内置 `aggregate()` 即可高效完成均值、求和、计数等常见统计操作，且全部在数据库层执行，性能更优、内存更省。
在 Django 开发中，当需要对查询结果进行简单统计（如均值、求和、行数统计）时，很多开发者习惯先将 QuerySet 转为 Python 列表或借助 Pandas 处理。但这种做法不仅增加依赖、占用额外内存，还会将全部数据从数据库拉取到应用层——对千行级数据虽可接受，却完全忽略了 Django 和底层数据库原生聚合能力的强大优势。
实际上，Django 提供了高度优化的 .aggregate() 方法，它将计算逻辑下推至数据库执行（如 PostgreSQL 的 AVG()、SUM()、COUNT()），仅返回最终标量结果，避免数据搬运开销。以问题中的需求为例：
from django.db.models import Avg, Sum, Count
# 假设模型名为 MyModel，字段为 T1_id、T2_id、T1_value、T2_value
result = MyModel.objects.filter(T1_id=1).aggregate(
x1=Avg('T1_value'), # T1_id == 1 的 T1_value 均值
x2=Sum('T2_value'), # T1_id == 1 的 T2_value 总和
x3=Count('*') # T1_id == 1 的记录总数
)
# 输出示例：{'x1': 2.0, 'x2': 0, 'x3': 1}
print(result)✅ 优势显著：
- 零额外依赖：纯 Django ORM，无需安装 pandas、numpy 等重型库；
- 极致高效：数据库直接计算，网络传输量趋近于零（仅返回几个数字）；
- 原子安全：单次查询完成所有指标，避免多次 filter() 导致的 N+1 查询风险；
- 可组合性强：支持链式过滤（如 .filter(status='active', created__year=2024)）、多条件聚合，也兼容 F() 表达式与条件聚合（Case/When）。
⚠️ 注意事项：
- 若需对同一 QuerySet 执行多种分组逻辑（如按 T1_id 分组后分别计算各组的均值与总和），应改用 .values('T1_id').annotate(...)；
- Count('*') 等价于 Count(1)，比 Count('id') 更稳妥（避免因字段为空导致计数偏差）；
- 聚合字段若存在 NULL，Avg 和 Sum 默认自动忽略（符合 SQL 标准），如需包含 NULL 作为 0 处理，需结合 Coalesce：
from django.db.models import Coalesce, Value Avg(Coalesce('T1_value', Value(0)))
综上，面对中小规模数据的常规统计需求，优先使用 Django 原生聚合不仅是“够用”的选择，更是更专业、更健壮、更符合 Web 应用数据流设计原则的实践方式。
