如何更简便地对DataFrame非时间列H下采样并聚合其他列？

需求：对DataFrame中浮点型列H按1.0间隔下采样，同时将其余事件计数器列（如A、B）的值累加求和。

示例数据 #

import pandas as pd
df = pd.DataFrame(
    data=[
        [1.0, 4, 2],
        [1.5, 3, 2],
        [2.0, 3, 3],
        [2.5, 2, 5]
    ],
    columns=['H', 'A', 'B']
)

原DataFrame输出：

H  A  B
0  1.0  4  2
1  1.5  3  2
2  2.0  3  3
3  2.5  2  5

期望结果 #

H  A  B
0  1.0  7  4
1  2.0  5  8

简便实现方式 #

方法1：分组时指定聚合列（推荐） #

直接在groupby后指定需要求和的列，避免对H列执行求和操作，同时将分组键转为浮点型以匹配期望格式：

# 按H的整数部分分组，仅对A、B列求和
result = df.groupby((df['H'] // 1).astype(float))[['A', 'B']].sum().reset_index()
print(result)

输出结果完全符合需求，无需额外清理步骤。

方法2：使用agg自定义聚合规则 #

通过agg分别指定H列的取值规则（取分组的基准浮点值）和其他列的求和规则：

result = df.groupby(df['H'].apply(lambda x: int(x))).agg(
    H=('H', lambda x: float(int(x))),  # 将分组键转为浮点型
    A=('A', 'sum'),
    B=('B', 'sum')
).reset_index(drop=True)
print(result)

原方法的问题 #

原方法中groupby.sum()会对所有列（包括H）执行求和，导致H列出现冗余的累加值，需要额外删除列和重置索引。上述两种方法直接在分组聚合阶段就完成了格式和计算需求，一步到位。

内容的提问来源于stack exchange，提问作者Raf