如何在DataFrame中高效将C、D合并为'NOT A and B'分组？

针对你要把C、D类别合并为"NOT A and B"并求和的需求，这里有几种比逐个替换更高效的实现方式：

方法1：用numpy.where映射后分组 #

不用提前修改原数据，直接在分组时完成类别映射，代码简洁高效：

import pandas as pd
import numpy as np

# 构造原DataFrame
df = pd.DataFrame({
    'Category': ['A', 'B', 'C', 'D'],
    'count': [327, 20, 30, 302]
})

# 映射类别并分组求和
result = df.groupby(
    np.where(df['Category'].isin(['A', 'B']), df['Category'], 'NOT A and B'),
    as_index=False
)['count'].sum()

# 重置列名
result.columns = ['Category', 'count']

方法2：拆分+拼接，逻辑直观 #

先提取A、B的原始行，单独计算其他类别的总和，再拼接结果，适合需要单独处理不同组的场景：

# 提取A、B的行
ab_rows = df[df['Category'].isin(['A', 'B'])]
# 计算C、D的总和
other_total = pd.DataFrame({
    'Category': ['NOT A and B'],
    'count': [df[~df['Category'].isin(['A', 'B'])]['count'].sum()]
})
# 拼接成最终结果
result = pd.concat([ab_rows, other_total], ignore_index=True)

方法3：简化版replace+分组 #

如果习惯用replace，可以直接用字典一次性映射，不用逐个替换C、D：

# 定义映射规则
category_map = {'C': 'NOT A and B', 'D': 'NOT A and B'}
# 替换后分组求和
result = df.replace({'Category': category_map}).groupby('Category', as_index=False)['count'].sum()

这些方法的优势：

• 方法1和3无需拆分DataFrame，代码更紧凑，处理大数据量时效率更高；
• 方法2逻辑清晰，容易理解和调整，适合需要对不同组做额外处理的情况。

内容的提问来源于stack exchange，提问作者user16971617