如何在Python/Pandas中结合Group By Sum实现If-Then逻辑？

因为你熟悉SQL/SAS，直接给你对应思维的Pandas写法，完全不用循环，效率高还不容易出错：

步骤1：用条件赋值替换limit值 #

Pandas里有两种常用方式实现类似SQL CASE WHEN/SAS IF-THEN/ELSE的逻辑（旧版Jupyter自带的numpy、pandas就能用，不用额外装包）：

方法1：用np.where（最接近SQL CASE WHEN逻辑） #

先导入依赖：

import numpy as np
import pandas as pd

生成替换后的列：

# 假设你的数据集叫df，HL_LIMIT和BL_LIMIT是已定义的数值（常量或数据集内的列）
df['adjusted_limit'] = np.where(df['product'] == 'HL', df['HL_LIMIT'], df['BL_LIMIT'])

方法2：用df.loc（更接近SAS的IF-THEN语法） #

如果你习惯SAS的逐条件赋值逻辑，也可以这么写：

df['adjusted_limit'] = df['BL_LIMIT']  # 先给所有行设默认值BL_LIMIT
df.loc[df['product'] == 'HL', 'adjusted_limit'] = df['HL_LIMIT']  # 单独给product为HL的行替换值

步骤2：按组求和 #

假设你要按group_id这类列分组（把group_id换成你实际的分组列名），直接用groupby+sum完成聚合：

# 单列分组求和
result = df.groupby('group_id')['adjusted_limit'].sum().reset_index()

# 如果是多列分组，把分组列放进列表即可
# result = df.groupby(['group_id', 'region'])['adjusted_limit'].sum().reset_index()

为什么不用循环？ #

Pandas的矢量化操作是底层优化过的，比循环快得多，而且逻辑和你熟悉的SQL/SAS分组聚合完全对应，不会出现循环里的索引错误或效率问题，计算结果和Excel手动处理的应该完全一致。

内容的提问来源于stack exchange，提问作者svenvuko