Pandas：按ID分组查找Type为Low的峰值并填充对应列

示例输入数据 #

先构造示例输入的DataFrame：

import pandas as pd

data = {
    'ID': ['A', 'A', 'A', 'B', 'B', 'B'],
    'Type': ['Low', 'High', 'Low', 'Low', 'High', 'Low'],
    'Time': ['2024-01-01 10:00', '2024-01-01 11:00', '2024-01-01 12:00',
             '2024-01-01 09:00', '2024-01-01 10:00', '2024-01-01 11:00'],
    'Value': [15, 30, 25, 10, 40, 18]
}
df = pd.DataFrame(data)

方法一：筛选聚合后合并回原表 #

1. 先筛选Type='Low'的行，按ID分组计算峰值及对应时间：

# 提取Type=Low的行，分组计算峰值和对应时间
peak_data = df[df['Type'] == 'Low'].groupby('ID').apply(
    lambda x: pd.Series({
        'Low_Peak_Value': x['Value'].max(),
        'Peak_Time': x.loc[x['Value'].idxmax(), 'Time']
    })
).reset_index()

# 合并回原DataFrame，确保所有行都填充对应ID的峰值信息
result = df.merge(peak_data, on='ID', how='left')

方法二：分组transform直接生成新列 #

这种方式无需额外合并，直接在原DataFrame上生成目标列，还能处理无Type='Low'行的ID（填充None）：

def extract_peak(group):
    low_subgroup = group[group['Type'] == 'Low']
    if low_subgroup.empty:
        return pd.Series([None, None], index=['Low_Peak_Value', 'Peak_Time'])
    max_val = low_subgroup['Value'].max()
    max_time = low_subgroup.loc[low_subgroup['Value'].idxmax(), 'Time']
    return pd.Series([max_val, max_time], index=['Low_Peak_Value', 'Peak_Time'])

# 按ID分组应用函数，生成新列
df[['Low_Peak_Value', 'Peak_Time']] = df.groupby('ID').apply(extract_peak).reset_index(drop=True)

示例输出结果 #

注意事项 #

• 若同一ID的Type='Low'行中存在多个相同峰值，idxmax()会取第一个出现的峰值对应的时间；若需要保留所有峰值时间，可将x.loc[x['Value'].idxmax(), 'Time']替换为x[x['Value'] == x['Value'].max()]['Time'].tolist()。
• 方法二中的空值处理逻辑可根据实际需求调整，比如填充默认值而非None。

内容的提问来源于stack exchange，提问作者Gopinathan