如何按category分组筛选出所有值均为'no'的site列？

先把你的数据转换成DataFrame：

import pandas as pd

data = {'category':['foo','foo','foo','foo','foo','bar','bar','bar','bar','bar'],'part':['101','102','103','104','105','201','202','203','204','205'],'site_a':['yes','yes','no','no','no','no','yes','no','no','no'],'site_b':['no','no','no','no','no','no','yes','no','no','no'],'site_c':['yes','no','no','no','no','no','no','no','no','no']}
df = pd.DataFrame(data)

方法1：直接用groupby结合all()判断 #

我们可以按category分组后，对每个分组的site列（site_a、site_b、site_c）检查是否所有值都是'no'：

# 定义函数，返回分组中全为'no'的列名列表
def get_all_no_cols(group):
    return group.columns[group.eq('no').all()].tolist()

# 按category分组应用函数，得到每个分组对应的目标列
result = df.groupby('category').apply(get_all_no_cols)

运行后result的输出为：

category
foo    [site_b]
bar    [site_c]
dtype: object

方法2：转换为数值后判断总和 #

如果你倾向于把'yes'转1、'no'转0的思路，可以这样实现：

# 把site列的yes/no转成0/1（yes=1，no=0）
site_cols = ['site_a', 'site_b', 'site_c']
df[site_cols] = df[site_cols].replace({'yes':1, 'no':0})

# 按category分组求和，总和为0的列就是全为'no'的列
sum_result = df.groupby('category')[site_cols].sum()
# 筛选出总和为0的列，整理成结果
result = sum_result.apply(lambda x: x[x == 0].index.tolist(), axis=1)

这个方法和方法1的结果完全一致。

针对多索引的情况 #

如果你已经设置了['category','part']为多索引，直接用索引层级分组即可：

# 先设置多索引
df.set_index(['category','part'], inplace=True)

# 按category索引分组，应用方法1的函数
result = df.groupby(level='category').apply(get_all_no_cols)

同样能得到正确结果。

补充说明 #

• group.eq('no').all()：eq('no')会把列中每个值和'no'比较生成布尔值DataFrame；all()会检查列内所有值是否为True（即全为'no'）。
• 两种方法都能高效满足需求，方法1更直观，方法2适合需要后续数值计算的场景。

内容的提问来源于stack exchange，提问作者Brad