Pandas：按ID分组后按条件统计New出现次数返回NaN的问题排查

这个问题的核心是索引不匹配！当你用groupby.apply()的时候，返回结果的索引是分组的唯一键（也就是a、b、c），而原DataFrame的索引是原始行索引（0、1、2、3、4），直接赋值时pandas找不到对应关系，所以全部变成了NaN。

下面给你几种简单有效的解决办法：

方法1：用transform代替apply（最推荐） #

transform会自动把分组统计的结果广播到原DataFrame的每一行，保持索引完全匹配，完美解决这个问题：

df['NewAmount'] = df.groupby('ID')['Type'].transform(lambda x: (x == 'New').sum())

这里用(x == 'New').sum()代替x[x == 'New'].count()，效果完全一致，但写法更简洁——布尔值会被当作1和0处理，求和就是统计New的出现次数。

方法2：先统计再映射 #

如果你更习惯用apply，可以先把分组统计结果存成一个Series，再用map把对应值映射到原DataFrame：

# 先计算每个ID的New出现次数
new_count_series = df.groupby('ID')['Type'].apply(lambda x: x[x == 'New'].count())
# 把结果映射到原DataFrame的每一行
df['NewAmount'] = df['ID'].map(new_count_series)

这样每个行的ID会对应到new_count_series里的统计值，比如所有ID=b的行都会拿到2，ID=c的行拿到0。

方法3：用value_counts+unstack #

另一种更直观的统计方式，先算出每个ID下不同Type的数量，再提取New列的值映射回去：

# 统计每个ID下各Type的数量，缺失项填充0
type_counts = df.groupby('ID')['Type'].value_counts().unstack(fill_value=0)
# 把New列的结果映射到原DataFrame
df['NewAmount'] = df['ID'].map(type_counts['New'])

运行以上任意一种方法后，你都会得到预期的结果：

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