基于列值存在性聚合DataFrame的更优实现方案问询

我有一个DataFrame，希望根据Result列中特定值的存在情况进行聚合：对于每个index1和index2分组，若分组内存在'A'或'As'，则total_result列取值为'A'；若不存在'A'但存在'B'，则取值为'B'，以此类推。目前已有可行代码，想询问是否有更简便的实现方式。

原始代码：

import pandas as pd
import numpy as np

df = pd.DataFrame({'index1':[1,2,2,2,3,3,4], 'index2':[1,2,2,2,3,3,4], 'Result':['A','','B','As','C','B','D']})

df_out = (df.groupby(['index1', 'index2'])
        .agg(A=('Result', lambda x: (x == 'A').any() | (x == 'As').any()),
            B=('Result', lambda x: (x == 'B').any()), 
            C=('Result', lambda x: (x == 'C').any()), 
            D=('Result', lambda x: (x == 'D').any()))
       .reset_index()
       .assign(tot_result = lambda x: np.where(x['A'], 'A',
                                                   np.where(x['B'], 'B',
                                                            np.where(x['C'], 'C', 'D'))))

       .drop(columns=['A', 'B', 'C', 'D'])
       )

给你几个更简洁的实现思路：

思路1：直接在分组apply里做优先级判断 #

把逻辑整合到一个lambda函数里，省去中间生成A/B/C/D列的步骤，可读性也更强：

import pandas as pd

df = pd.DataFrame({'index1':[1,2,2,2,3,3,4], 'index2':[1,2,2,2,3,3,4], 'Result':['A','','B','As','C','B','D']})

df_out = df.groupby(['index1', 'index2'])['Result'].apply(
    lambda grp: 'A' if ('A' in grp or 'As' in grp)
              else 'B' if 'B' in grp
              else 'C' if 'C' in grp
              else 'D'
).reset_index(name='total_result')

思路2：利用分类类型的排序特性 #

先把As映射成A，再将结果列转为指定优先级的分类类型，分组取最大值即可（因为分类的顺序由我们定义，最大值就是优先级最高的）：

import pandas as pd
import numpy as np

df = pd.DataFrame({'index1':[1,2,2,2,3,3,4], 'index2':[1,2,2,2,3,3,4], 'Result':['A','','B','As','C','B','D']})

# 先处理映射：As转A，空值置为NaN
df['processed_result'] = df['Result'].replace({'As':'A', '':np.nan})
# 定义优先级分类，注意这里是逆序，因为max会取排序靠后的（优先级更高的）
df['processed_result'] = pd.Categorical(df['processed_result'], categories=['D','C','B','A'], ordered=True)

# 分组取max就是优先级最高的结果
df_out = df.groupby(['index1', 'index2'])['processed_result'].max().reset_index(name='total_result')

思路3：过滤空值后按优先级匹配 #

先过滤掉空字符串，把As转成A，然后分组后按优先级顺序检查哪个值存在，取第一个匹配的：

import pandas as pd
import numpy as np

df = pd.DataFrame({'index1':[1,2,2,2,3,3,4], 'index2':[1,2,2,2,3,3,4], 'Result':['A','','B','As','C','B','D']})

priority = ['A','B','C','D']
# 预处理：替换As为A，过滤空值
processed = df[df['Result'] != ''].replace({'Result':'As'}, 'A')

def get_top(grp):
    present = set(grp['Result'])
    for p in priority:
        if p in present:
            return p
    return 'D'  # 兜底

df_out = processed.groupby(['index1', 'index2']).apply(get_top).reset_index(name='total_result')

这几种方法都比原代码更简洁，避免了多层np.where嵌套和中间列的生成，逻辑也更直观。

内容的提问来源于stack exchange，提问作者corianne1234