无需手动编写循环，实现基于指定列的DataFrame动态过滤

你可以通过生成所有列的分组组合（包含"total"），结合动态筛选的方式实现通用化，无需手动编写嵌套循环。以下是两种可行的实现方案：

方案一：直观的笛卡尔积组合筛选 #

这种方法直接生成所有可能的列值组合（包含各列的"total"），然后对每个组合动态筛选数据并计算总和，不管col_list有多少列都能自动适配：

import pandas as pd

df = pd.DataFrame({
    'Col1':['A','A','A','B','B','B'],
    'Col2':['AA','AB','AC','BA','BB','BC'],
    'Val':[1,2,3,1,2,3]
})

def get_data(df, col_list):
    # 为每个列生成包含"total"的唯一值列表
    level_values = [['total'] + df[col].unique().tolist() for col in col_list]
    # 生成所有列值的笛卡尔积组合
    all_combinations = pd.MultiIndex.from_product(level_values, names=col_list)
    
    for combo in all_combinations:
        # 构建筛选条件：非"total"的列对应过滤，"total"列保留全部数据
        mask = pd.Series([True] * len(df))
        for col, val in zip(col_list, combo):
            if val != 'total':
                mask &= (df[col] == val)
        # 计算当前组合的Val总和并格式化输出
        total_val = df.loc[mask, 'Val'].sum()
        print(' | '.join(map(str, combo)) + f' | {total_val}')

# 调用函数
col_list = ['Col1','Col2']
get_data(df, col_list)

方案二：基于分组汇总的高效实现 #

如果数据量较大，推荐使用pandas的分组功能先计算各类统计值，再补充总计行，效率更高：

import pandas as pd

df = pd.DataFrame({
    'Col1':['A','A','A','B','B','B'],
    'Col2':['AA','AB','AC','BA','BB','BC'],
    'Val':[1,2,3,1,2,3]
})

def get_data(df, col_list):
    # 先计算所有非总计的分组求和结果
    grouped = df.groupby(col_list)['Val'].sum().reset_index()
    
    # 生成各层级的总计数据
    totals = []
    # 生成从全总计到各列单独分组的总计
    for i in range(len(col_list) + 1):
        if i == 0:
            # 全量总计
            total_row = {col: 'total' for col in col_list}
            total_row['Val'] = df['Val'].sum()
            totals.append(pd.DataFrame([total_row]))
        else:
            # 前i列分组，剩余列设为total的总计
            partial_total = df.groupby(col_list[:i])['Val'].sum().reset_index()
            for col in col_list[i:]:
                partial_total[col] = 'total'
            totals.append(partial_total)
    
    # 合并所有结果并按要求排序
    all_results = pd.concat(totals + [grouped], ignore_index=True)
    # 构建排序键，让total排在每个列的最前面
    sort_cols = []
    for col in col_list:
        all_results[f'{col}_sort'] = all_results[col].apply(lambda x: 0 if x == 'total' else 1)
        sort_cols.extend([f'{col}_sort', col])
    
    all_results = all_results.sort_values(sort_cols).drop([f'{col}_sort' for col in col_list], axis=1)
    
    # 格式化输出
    for _, row in all_results.iterrows():
        print(' | '.join([str(row[col]) for col in col_list]) + f' | {row["Val"]}')
    return all_results

# 调用函数
col_list = ['Col1','Col2']
get_data(df, col_list)

两种方案的输出都和你提供的示例完全一致，且col_list可以扩展到任意数量的列，无需修改函数内部逻辑。

内容的提问来源于stack exchange，提问作者user22681865