基于分组操作给DataFrame添加条件匹配的新列

嗨，我来帮你搞定这个需求！你想要按ID分组后，给每行添加col2和col3，分别对应组内col1为BX和AX的value值对吧？用Pandas的分组（groupby）结合transform方法就能轻松实现，下面是具体步骤：

首先先把你的原始数据构建成DataFrame：

import pandas as pd

df = pd.DataFrame({
    'ID': ['A', 'A', 'B', 'B', 'C', 'C'],
    'value': [1, 2, 3, 4, 5, 6],
    'col1': ['BX', 'AX', 'AX', 'BX', 'BX', 'AX']
})

接下来有两种写法，一种是自定义函数更清晰，另一种是用lambda更简洁：

方法一：自定义分组处理函数 #

我们可以为提取BX、AX对应的value分别写函数，再用transform把结果广播到组内每一行：

def get_bx_val(group):
    # 从分组中筛选col1为BX的行，取第一个value
    return group[group['col1'] == 'BX']['value'].iloc[0]

def get_ax_val(group):
    # 从分组中筛选col1为AX的行，取第一个value
    return group[group['col1'] == 'AX']['value'].iloc[0]

# 添加新列
df['col2'] = df.groupby('ID').transform(get_bx_val)
df['col3'] = df.groupby('ID').transform(get_ax_val)

方法二：用lambda表达式简化代码 #

如果觉得写函数麻烦，也可以直接用lambda表达式一行搞定：

df['col2'] = df.groupby('ID')['value'].transform(
    lambda x: x[df.loc[x.index, 'col1'] == 'BX'].iloc[0]
)
df['col3'] = df.groupby('ID')['value'].transform(
    lambda x: x[df.loc[x.index, 'col1'] == 'AX'].iloc[0]
)

两种方法运行后，都会得到你想要的结果：

这里要说明下：transform的作用是把分组后的计算结果映射回原DataFrame的每一行，确保每个ID组内的所有行都能拿到对应组的BX、AX值。如果你的实际数据中，某个ID组可能有多个BX/AX的行，iloc[0]会取第一个匹配的值，你可以根据需求改成mean()（取平均值）或者其他聚合方式哦~

备注：内容来源于stack exchange，提问作者Olive