如何在Pandas中按UserID分组后添加min/max列并保留原数据？

你可以用Pandas的groupby()搭配transform()方法，既能按UserID分组计算所需的聚合值，又能直接把结果匹配到原DataFrame的每一行，不会产生烦人的多级索引。

1. 构造示例数据 #

先把你提供的DataFrame用代码还原：

import pandas as pd

df = pd.DataFrame({
    'UserID': ['A123456', 'A123456', 'B123456', 'B123456', 'B123456'],
    'LoginDate': ['2023-04-01', '2023-04-10', '2023-04-05', '2023-04-06', '2023-04-07'],
    'PlacedOrderItems': [1, 0, 0, 2, 0],
    'Other column': ['a', 'b', 'c', 'd', 'e']
})
# 可选：将LoginDate转为日期类型，确保min计算准确
df['LoginDate'] = pd.to_datetime(df['LoginDate'])

2. 添加目标聚合列 #

transform()方法会为每个分组计算聚合值，然后自动把结果广播到原DataFrame的对应行，完全保留原结构：

# 新增每组的最小登录日期列
df['min_login_date'] = df.groupby('UserID')['LoginDate'].transform('min')
# 新增每组的最大下单商品数列
df['max_order_items'] = df.groupby('UserID')['PlacedOrderItems'].transform('max')

最终结果 #

执行完代码后，得到的DataFrame和你想要的结构一致：

关于之前的多级索引问题 #

如果你之前用的是groupby().agg()，默认会把分组列UserID设为索引，导致出现多级结构。而transform()不会修改原DataFrame的索引，返回的结果行数和原数据完全一致，刚好满足你的需求。

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