寻求PySpark groupby/pivot/sum的Pandas等价实现（尝试后未达预期）

首先你的代码存在两处基础错误：

• 数据字典data里的Status列表长度与Name、Score不匹配（前者5个元素，后两者4个），会导致创建DataFrame失败
• groupby(['Name')存在语法错误，缺少右方括号，应改为groupby(['Name'])

以下是修正后的正确实现方式：

方法1：使用pivot_table（推荐） #

pivot_table是Pandas中实现透视表的专用函数，直接对应PySpark的groupby+pivot+sum逻辑：

import pandas as pd

# 修正数据长度匹配问题
data = {
    'Name': ['Tom', 'Jack', 'Steve', 'Ricky'],
    'Score': [28, 34, 29, 42],
    'Status': [1, 0, 1, 0]  # 调整为4个元素，与其他列长度一致
}
df = pd.DataFrame(data)

# 等价于PySpark的groupby('Name').pivot('Status').sum('Score')
result = df.pivot_table(
    index='Name',
    columns='Status',
    values='Score',
    aggfunc='sum',
    fill_value=0  # 可选：将缺失值填充为0
)
print(result)

方法2：先groupby再透视 #

如果要模拟先分组再透视的步骤，可以先按Name和Status分组求和，再用unstack实现透视：

# 先按Name和Status分组求和
grouped = df.groupby(['Name', 'Status'])['Score'].sum()
# 将Status列转为列索引实现透视
result = grouped.unstack(level='Status', fill_value=0)
print(result)

两种方法的输出结果一致：

Status   0   1
Name          
Jack    34   0
Ricky   42   0
Steve    0  29
Tom      0  28

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