如何用更Pythonic的方式实现SQL的MAX+CASE WHEN逻辑？

原SQL的核心逻辑是：按ID分组，若该ID下存在Yes=1的记录则标记Yes，否则为空；同理处理No列，最终生成每个ID仅出现一次的透视结果。以下是几种符合Python风格的pandas实现方案：

方法1：分组前转换值再取最大值 #

先将原数据中的1替换为对应标识字符串，其余设为空值，再按ID分组取最大值（自动保留非空标识）：

import pandas as pd

# 转换Yes/No列的数值为目标字符串
df['Yes'] = df['Yes'].map({1: 'Yes'}).astype('string')
df['No'] = df['No'].map({1: 'No'}).astype('string')

# 按ID分组聚合，取各列最大值（保留非空值）
result = df.groupby('ID', as_index=False)[['Yes', 'No']].max()

方法2：分组时直接判断聚合 #

无需提前修改原数据，在聚合阶段直接判断该ID下是否存在符合条件的记录：

import pandas as pd

result = df.groupby('ID', as_index=False).agg(
    Yes=('Yes', lambda x: 'Yes' if (x == 1).any() else pd.NA),
    No=('No', lambda x: 'No' if (x == 1).any() else pd.NA)
)

方法3：使用透视表实现 #

借助pivot_table快速生成透视结果，聚合逻辑与前两种一致：

import pandas as pd

result = df.pivot_table(
    index='ID',
    values=['Yes', 'No'],
    aggfunc=lambda x: 'Yes' if (x == 1).any() else pd.NA
).reset_index()

# 修正No列的聚合结果
result['No'] = df.groupby('ID')['No'].apply(lambda x: 'No' if (x == 1).any() else pd.NA)

以上三种方法均能实现原SQL的效果，处理多月份重复数据时会自动按ID去重，最终每个ID仅保留一行结果。

内容的提问来源于stack exchange，提问作者Tinkinc