如何在Pandas DataFrame中对同ID指定行计算并调整Amount值

针对你需求中对相同ID行的处理，这里提供两种稳健的实现方式：

方法一：分组变换 + 条件赋值（高效推荐） #

利用Pandas的分组功能计算每个ID的总金额，结合组内行的位置标记来更新Amount列：

import pandas as pd
import numpy as np

df1 = pd.DataFrame({
    'Date':['2022-01-02', '2022-01-02', '2022-01-02', '2022-01-02', '2022-01-03', '2022-01-03', '2022-01-03'],
    'ID':[1200, 1200, 1400, 1500, 1300, 1300, 1500],
    'Amount':[10, 1, 12, 11, 12.5, 0.5, 12]
})

# 计算每个ID对应的总金额，保持原数据行数
id_total = df1.groupby('ID')['Amount'].transform('sum')
# 标记当前行是否为该ID组内的第一行
is_first_row = df1.groupby('ID').cumcount() == 0

# 用np.where批量赋值：第一行取总和，其余行设为0
df1['Amount'] = np.where(is_first_row, id_total, 0)

print(df1)

执行后输出：

Date    ID  Amount
0  2022-01-02  1200    11.0
1  2022-01-02  1200     0.0
2  2022-01-02  1400    12.0
3  2022-01-02  1500    11.0
4  2022-01-03  1300    13.0
5  2022-01-03  1300     0.0
6  2022-01-03  1500    12.0

方法二：逐行判断（适合理解逻辑） #

如果需要更直观的逻辑展示，可以用apply逐行处理（大数据集下效率略低于方法一）：

import pandas as pd

df1 = pd.DataFrame({
    'Date':['2022-01-02', '2022-01-02', '2022-01-02', '2022-01-02', '2022-01-03', '2022-01-03', '2022-01-03'],
    'ID':[1200, 1200, 1400, 1500, 1300, 1300, 1500],
    'Amount':[10, 1, 12, 11, 12.5, 0.5, 12]
})

# 预计算每个ID的总金额
id_sum_map = df1.groupby('ID')['Amount'].sum().to_dict()

# 逐行更新Amount
df1['Amount'] = df1.apply(
    lambda row: id_sum_map[row['ID']] if df1[df1['ID'] == row['ID']].index[0] == row.name else 0,
    axis=1
)

print(df1)

关于你尝试的偏移方法说明 #

用np.where结合偏移ID的方式容易出现边界问题（比如ID不连续、同一ID有超过两行的情况），而分组的方式能自动处理所有ID的分组逻辑，不管每个ID有多少行，都能保证第一行取总和，其余行设为0，适配性更强。

内容的提问来源于stack exchange，提问作者fjurt