使用Pandas分组聚合sum()时如何避免字符串拼接？

当使用pd.groupby(['col_1','col_2']).sum()时，字符串/分类类型列会被直接拼接，这是因为pandas对字符串类型的sum方法默认行为就是拼接字符。要避免这种情况，可通过以下几种方式处理：

• 针对不同列指定专属聚合函数：使用agg()方法为分类列和数值列分别设置合适的聚合逻辑，比如保留每组第一个/最后一个分类值、统计分类值数量等：

  # 示例：col_3取每组第一个值，数值列col_4求和
  df.groupby(['col_1','col_2']).agg({'col_3': 'first', 'col_4': 'sum'})
  

  常用的分类列聚合选项：

  • 'first'：保留每组第一条记录的分类值
  • 'last'：保留每组最后一条记录的分类值
  • 'count'：统计每组分类值的条数
  • 'nunique'：统计每组不同分类值的数量

• 将分类列聚合为列表：如果需要保留每组所有分类值，可通过lambda函数将值收集为列表，避免拼接：

  df.groupby(['col_1','col_2']).agg({'col_3': lambda x: list(x), 'col_4': 'sum'})
  

• 提前筛选列：如果只需要对数值列求和，分组前先筛选出目标数值列，避免包含分类列：

  # 仅对col_4求和，不处理col_3
  df[['col_1','col_2','col_4']].groupby(['col_1','col_2']).sum()
  

内容的提问来源于stack exchange，提问作者Truman