如何用更Pythonic的方式在Pandas中按除columnK外的列分组求和columnK？

我有一个包含columnA至columnM的DataFrame，数据示例如下：

columnA columnB .... columnK columnL columnM
A        AA     ....  10       AAA    AAAA
A        AA     ....  20       AAA    AAAA
B        BB     ....  5        BBB    BBBB
A        BB     ....  40       AAA    AAAA
...

我希望对该DataFrame进行分组操作：按除columnK外的所有列分组，对columnK列计算求和值，最终得到如下输出：

columnA columnB .... columnK columnL columnM
A        AA     ....  30       AAA    AAAA
B        BB     ....  5        BBB    BBBB
A        BB     ....  40       AAA    AAAA
...

我知道可以手动执行以下命令：

df.groupby(['columnA', 'columnB',...,'columnL', 'columnM'])['columnK'].sum().reset_index()

也就是在groupby中显式排除columnK，但有没有更Pythonic的实现方式？

当然有几种更简洁、更符合Python风格的写法，不用手动罗列所有排除columnK的列：

• 列表推导式生成分组列
  直接从DataFrame的列名集合中过滤掉columnK，这种方式更灵活，哪怕后续DataFrame的列名有变动，也不用修改分组列的列表：

group_cols = [col for col in df.columns if col != 'columnK']
result = df.groupby(group_cols)['columnK'].sum().reset_index()

• 使用columns.drop()方法
  利用Pandas提供的df.columns.drop()方法直接移除指定列，写法更紧凑：

result = df.groupby(df.columns.drop('columnK'))['columnK'].sum().reset_index()

这两种方式都能达到和手动指定分组列完全一致的效果，尤其当DataFrame列数较多时，优势会非常明显。

内容的提问来源于stack exchange，提问作者PV8