分组DataFrame聚合时Lambda函数引用多列的技术问题

问题核心 #

你遇到的报错本质是：用pd.NamedAgg指定单列时，传入lambda的参数仅为该列的Series，无法同时访问Guest_Code列筛选免税客人。要实现需求，必须让聚合函数能获取分组内的完整数据。

最优方案：自定义聚合函数 #

直接定义一个接收分组DataFrame的函数，在函数内部完成筛选、判断和计算：

1. 编写自定义聚合逻辑

def calc_tax_free_guests(group):
    # 筛选分组内Guest_Code=2的行
    tax_free_subset = group[group['Guest_Code'] == 2]
    row_count = len(tax_free_subset)
    if row_count == 0:
        return 0
    elif row_count == 1:
        return tax_free_subset['Guests'].iloc[0]
    else:
        return tax_free_subset['Guests'].sum()

2. 执行分组聚合
   假设你的数据已提取好月份列（比如booking_month），直接在groupby中调用该函数：

# 示例：包含其他聚合项的完整写法
agg_result = df.groupby(['booking_month', 'Booking_Source']).agg(
    total_guests=pd.NamedAgg(column='Guests', aggfunc='sum'),
    avg_guests=pd.NamedAgg(column='Guests', aggfunc='mean'),
    tax_free_guests=pd.NamedAgg(column='', aggfunc=calc_tax_free_guests)
).reset_index()

补充：提取月份列 #

如果原始数据只有完整日期列（比如booking_date），先提取月份：

# 生成YYYY-MM格式的字符串月份，或用dt.to_period('M')生成周期对象
df['booking_month'] = df['booking_date'].dt.strftime('%Y-%m')

替代方案：预处理辅助列 #

若不想用自定义函数，可先添加辅助列标记免税客人，再分组结合计数和求和计算：

# 添加临时列：仅Guest_Code=2时保留Guests值，否则为0
df['tax_free_temp'] = df.apply(lambda r: r['Guests'] if r['Guest_Code'] == 2 else 0, axis=1)

# 分组统计免税行数量和临时列总和
temp_result = df.groupby(['booking_month', 'Booking_Source']).agg(
    tax_free_row_count=pd.NamedAgg(column='Guest_Code', aggfunc=lambda x: (x == 2).sum()),
    tax_free_sum=pd.NamedAgg(column='tax_free_temp', aggfunc='sum')
).reset_index()

# 根据计数生成最终结果
temp_result['tax_free_guests'] = temp_result.apply(
    lambda r: r['tax_free_sum'] if r['tax_free_row_count'] != 1 
              else df[(df['booking_month'] == r['booking_month']) & 
                      (df['Booking_Source'] == r['Booking_Source']) & 
                      (df['Guest_Code'] == 2)]['Guests'].iloc[0],
    axis=1
)

# 删除临时列
final_result = temp_result.drop(['tax_free_row_count', 'tax_free_sum', 'tax_free_temp'], axis=1)

内容的提问来源于stack exchange，提问作者Mondonauta